人臉識別遷移學習的應用
https://github.com/jindongwang/transferlearning
關於遷移學習的一些資料
這個倉庫包含關於遷移學習一些資料，包括：介紹，綜述文章，代表工作及其程式碼，常用資料集，碩博士論文等等。歡迎一起貢獻！
目錄 Table of contents
0.Latest
1.遷移學習簡介
2.遷移學習的綜述文章
-
最新的綜述是Cross-dataset recognition: a survey，目前剛發在arXiv上，作者是澳大利亞臥龍崗大學的在讀博士生，遷移學習領域做的不錯。
-
還有一篇較新的綜述是
A survey of transfer learning，寫於2015-2016年。其中交代了一些比較經典的如同構、異構等學習方法代表性文章。包括了很多方法介紹，值得一看。 -
中文方面，遷移學習研究進展是一篇不錯的中文綜述。
-
關於遷移學習的理論方面，有三篇連貫式的理論分析文章連續發表在NIPS和Machine Learning上：理論分析
3.程式碼
請見這裡
4.遷移學習代表性研究學者
全部列表以及代表工作性見這裡
- Qiang Yang：中文名楊強。香港科技大學計算機系主任，教授，大資料中心主任。遷移學習領域世界性專家。IEEE/AAAI/IAPR/AAAS fellow。[Google
scholar]
- Sinno Jialin Pan：楊強的學生，香港科技大學博士，現任新加坡南陽理工大學助理教授。遷移學習領域代表性綜述A survey on transfer learning的第一作者（Qiang Yang是二作）。[Google scholar]
- Wenyuan Dai：中文名戴文淵，上海交通大學碩士，現任第四正規化人工智慧創業公司CEO。遷移學習領域著名的牛人，每篇論文引用量巨大，在頂級會議上發表多篇高水平文章。
- Lixin Duan：中文名段立新，新加坡南洋理工大學博士，現就職於電子科技大學，教授。
5.遷移學習相關的碩博士論文
碩博士論文可以讓我們很快地對遷移學習的相關領域做一些瞭解，同時，也能很快地瞭解概括相關研究者的工作。其中，比較有名的有
其他的文章，請見完整版。
6.代表性文章閱讀
Domain adaptation是遷移學習領域比較熱的研究方向，在這裡整理了一些經典的文章和說明：Domain adaptation
最近一個推薦、分享論文的網站比較好，我在上面會持續整理相關的文章並分享閱讀筆記。詳情請見paperweekly。
代表性的方法及文章
-
遷移成分分析方法(Transfer component analysis, TCA)
- 發表在IEEE Trans. Neural Network期刊上（現改名為IEEE trans. Neural Network and Learning System），前作會議文章發在AAAI-09上
- 我的解讀
-
領域不變性遷移核學習(Transfer Kernel Learning, TKL)
-
深度適配網路（Deep Adaptation Network, DAN）
- 發表在ICML-15上：learning transferable features with deep adaptation networks
- 我的解讀
-
深度聯合適配網路（Joint Adaptation Network, JAN）
- Deep Transfer Learning with Joint Adaptation Networks
- 發表在ICML 2017上，作者也是龍明盛
- 延續了之前的DAN工作，這次考慮聯合適配
-
學習遷移(Learning to Transfer, L2T)
- 遷移學習領域的新方向：與線上、增量學習結合
- 我的解讀
我寫的遷移學習應用於行為識別領域的文章小總結。
Contributing
如果你對本專案感興趣，非常歡迎你加入！
- 正常參與：請直接fork、pull都可以
- 如果要上傳檔案：請不要直接上傳到專案中，否則會造成git版本庫過大。正確的方法是上傳它的超連結。如果你要上傳的檔案本身就在網路中（如paper都會有連結），直接上傳即可；如果是自己想分享的一些檔案、資料等，鑑於國內網盤的情況，請按照如下方式上傳：
Welcome!
首先通過 1000 人 2 億張結構化資料對人臉識別進行多標籤多工深度學習，深度模型能夠很好的學習到人臉的光線、角度、表情、遮擋等對人臉識別的影響，得到人臉識別基礎模型。
在基礎模型的基礎上，雲從科技研究院通過遷移學習，加入 1000 萬人，10 億張人臉這個量級的具有人臉ID 資訊的訓練資料進行深度學習模型引數的遷移學習，演算法模型在已經基本具備怎麼識別人臉的基礎上進一步加大網路深度和結構複雜度，得到更精準的人臉識別演算法模型。
最後，人臉識別有一個應用場景資料遷移學習層，可以通過少量（萬級）實際場景人臉，針對跨場景、在各種人臉識別任務上進行微調引數，使得不同場景下識別精度更高。
人臉識別遷移學習訓練，就像單反相機手動拍照得到最佳拍攝照片一樣。首先選擇一個光感測器，鏡頭引數基本合適滿足需要的單反相機（人臉識別結構化資料基礎模型）；在拍一些風景或者人物照片時，先粗調長焦，拍攝模式（人臉識別億級資料泛化模型）；最後再微調焦距，精細快門和光圈（人臉識別應用場
景精準模型）。這樣通過兩次遷移，就可以得到精準的人臉識別演算法模型，能夠在各行業各場景下使用。