这篇论文研究的是各种计算机视觉任务在迁移学习中的依存关系,提出了一个感知任务迁移学习的计算分类地图(computational taxonomic map),能够根据各种任务的相关性,来决定迁移学习方案。
对于一组10种任务,他们的模型能在保持性能几乎不变的情况下,将对标注数据的需求降低2/3。
传送门:
Taskonomy: Disentangling Task Transfer Learning
https://arxiv.org/abs/1804.08328
2017年,有两篇最佳论文。
一篇是Densely Connected Convolutional Networks,作者来自清华大学、康奈尔大学和Facebook等。
提出了一个叫做DenseNet的模型,让CNN中的每一层都以前馈的方式和所有其他层相连。
这个模型,有多方面的优点,不仅减轻了梯度消失问题、加强了特征传播,还能鼓励特征复用、减少参数数量。
传送门:
Densely Connected Convolutional Networks
https://arxiv.org/abs/1608.06993
另一篇是Learning from Simulated and Unsupervised Images through Adversarial Training,来自苹果。
提出了模拟 无监督(S U)学习模型,通过非标注的真实数据来学习一个模型,以增强模拟器输出的真实性,同时保留模拟器中的标注信息。
这种方法能够生成高真实度的图像,在没有任何真是标注数据的情况下,在MPIIGaze数据集上获得了最高水平的结果。
传送门:
Learning from Simulated and Unsupervised Images through Adversarial Training
https://arxiv.org/abs/1612.07828
最后,CVPR 2019 将于6月16日-6月20日于洛杉矶长滩市举办,王鑫同学的这篇满分论文,能否获得最佳论文?届时将会揭晓。
— 完 —
诚挚招聘
量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态