论文部分内容阅读
为了提高基于深度学习的服装图像识别网络的泛化性能,文章提出了一种迁移学习方法,即从一个服装识别任务中提取知识并将其迁移到另一个相似任务中。所提出的神经网络由2个分支组成,一个分支在源域上进行计算,另一个分支在目标域上进行计算。为了表征2个分支之间的相似性,采用最大均值差异损失减小输出特征之间的分布差异,并使用权重约束损失来减小权重的差异。结果表明:与其他迁移学习方法相比,该方法可以提高2%的预测准确率,迁移学习后的Resnet50模型在ACWS数据集上的预测准确率可以达到69.01%,在IDesig