| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 迁移学习的背景与意义 | 第9-10页 |
| 1.2 迁移学习历史与发展 | 第10-11页 |
| 1.3 本文主要内容和贡献 | 第11-13页 |
| 1.4 本论文的结构安排 | 第13-15页 |
| 第二章 迁移学习综述 | 第15-21页 |
| 2.1 问题描述 | 第15-16页 |
| 2.2 迁移学习类型 | 第16-18页 |
| 2.2.1 同构迁移学习 | 第17页 |
| 2.2.2 异构迁移学习 | 第17-18页 |
| 2.3 迁移学习方法 | 第18-20页 |
| 2.3.1 基于实例权重的迁移学习方法 | 第18页 |
| 2.3.2 基于特征表示的迁移学习方法 | 第18-20页 |
| 2.3.3 基于结构关系的迁移学习方法 | 第20页 |
| 2.3.4 基于参数的迁移学习方法 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 生成对抗网络的介绍 | 第21-33页 |
| 3.1 对抗方法的广泛应用 | 第21-22页 |
| 3.2 GAN的基本原理 | 第22-23页 |
| 3.3 GAN的训练机制 | 第23-24页 |
| 3.4 GAN优缺点 | 第24-25页 |
| 3.5 GAN的衍生模型 | 第25-28页 |
| 3.5.1 DCGAN | 第26-27页 |
| 3.5.2 WGAN | 第27-28页 |
| 3.6 GAN的应用 | 第28-31页 |
| 3.6.1 半监督学习 | 第28-29页 |
| 3.6.2 合成超分辨率图像 | 第29-30页 |
| 3.6.3 自动驾驶 | 第30-31页 |
| 3.6.4 图像风格转换 | 第31页 |
| 3.7 GAN的未来 | 第31-32页 |
| 3.8 本章小结 | 第32-33页 |
| 第四章 基于残差的对抗迁移学习算法 | 第33-44页 |
| 4.1 特征自适应 | 第33-34页 |
| 4.2 分类器自适应 | 第34-37页 |
| 4.3 与监督信息相结合 | 第37页 |
| 4.4 目标函数 | 第37-38页 |
| 4.5 实验内容和结果分析 | 第38-43页 |
| 4.5.1 Digits数据集上的实验 | 第38-41页 |
| 4.5.2 Office-31数据集上的实验 | 第41-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第五章 基于特征和类别联合分布的对抗迁移学习 | 第44-56页 |
| 5.1 对目标域产生伪标签 | 第45-46页 |
| 5.2 基于FLAN的迁移学习 | 第46-47页 |
| 5.3 与监督信息相结合 | 第47-48页 |
| 5.4 实验内容和结果分析 | 第48-55页 |
| 5.4.1 Digits数据集上的实验 | 第48-52页 |
| 5.4.2 AmazonReview数据集上的实验 | 第52-53页 |
| 5.4.3 Office-31数据集上的实验 | 第53-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第六章 全文总结与展望 | 第56-59页 |
| 6.1 全文总结 | 第56-57页 |
| 6.2 后续工作展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |