Key points are not available for this paper at this time.
Ces dernières années, les réseaux profonds ont été appliqués avec succès pour modéliser des concepts d'image et ont atteint des performances compétitives sur de nombreux ensembles de données. Malgré des performances impressionnantes, les réseaux profonds conventionnels peuvent subir une dégradation des performances si nous avons un nombre insuffisant d'exemples d'entraînement. Ce problème devient extrêmement sévère pour les réseaux profonds avec une structure de représentation puissante, les rendant susceptibles de surajustement en saisissant des informations non essentielles ou bruyantes dans un petit ensemble de données. Dans cet article, pour relever ce défi, nous développerons une nouvelle structure de réseau profond, capable de transférer des informations de labellisation entre des domaines hétérogènes, en particulier du domaine du texte au domaine de l'image. Ces Réseaux de Transfert Profonds (DTN) faiblement partagés peuvent atténuer adéquatement le problème d'un nombre insuffisant de données d'entraînement d'image en apportant des étiquettes riches du domaine du texte.
Shu et al. (Tue,) ont étudié cette question.