text to image

Global Gated Mixture of Second-order Pooling for Imporving Deep Convolutional Neural Network（2018 NIPS，大工李培华组） 论文motivation ： （1） 现存的池化 ：一阶GAP（全局均值池化）是很多CNN结构的标配，有研究者提出高阶池化来提高性能 （2） 缺点 ：但是这些池化都有个缺点就是假设了样本服从了单峰分布，限制了CNN的表达能力。 （3） 论文的改进 ：于是论文提出了基于二阶池化的门混合结构来提高CNN对复杂特征和多模态分布的建模。 论文贡献 ： （1） 提出了门混合结构 ：在最后一层之前，适应性地从N个分组模型中选择K个模型来生成最后的特征表示。 （2） 提出了带参数的二阶池化 ：在N个分组模型中使用了池化层，为了克服一阶GAP和二阶池化带来的局限性，提出了带参数的二阶池化。 （3） 实验 ：在下采样的ImageNet-1K和Places365两个数据集上跑了实验，以ResNet和WRN为骨架，发现加入本文的模型后能够提高准确率。 架构解释 （1） 门混合模型 ：受hinton在ICLR2017的一篇论文“专家混合模型”启发，提出了如下图所示的结构。对于最后一层之前的输入X，自适应地从N个CM（组件模型）选择K个CM来让X流入，其它分支都关闭

Heterogeneous Domain Adaptation 异质域适应论文合集 [ACM MM 2020] Simultaneous Semantic Alignment Network for Heterogeneous Domain Adaptation [ paper ] [ github ] [ACM MM 2019] Heterogeneous Domain Adaptation via Soft Transfer Network [ paper ] [2020] Multi-source Heterogeneous Domain Adaptation with Conditional Weighting Adversarial Network [ paper ] [TNNLS 2020] Heterogeneous Domain Adaptation: An Unsupervised Approach [ IEEE paper ] [ researchgate paper ] [TNNLS 2020] Heterogeneous Domain Adaptation via Nonlinear Matrix Factorization [ IEEE paper ] [TNNLS 2019] Heterogeneous Domain Adaptation Through