极简笔记 Taskonomy: Disentangling Task Transfer Learning
论文地址:https://arxiv.org/abs/1804.08328
本文是CVPR2018 best paper,核心是提出了一种计算不同任务相似性的方法,以及利用不同任务相似性,在少量训练数据条件下进行多任务组合学习的分配方法。
文章的终极目标,是通过计算任务相似性,进一步计算选取(不是手动设计)针对目标任务的multi-task组合进行训练,并实现以少量数据尽可能接近fully supervised learning性能。
该计算流程主要分为4个步骤,在介绍算法流程之前再做一些背景和符号介绍。我们现在有一堆任务集合,可以划分为两个集合:源任务集合 S={ s1,s2,...} S = { s 1 , s 2 , . . . } 表示可以从零开始训练的任务(样本太少就不能从零训练了),和目标任务集合 T={ t1,t2,...} T = { t 1 , t 2 , . . . } 表示我们感兴趣的任务。两个集合是有重叠的。称 V=S+T V = S + T 为任务词典,也就是手头上所有任务的集合。对于输入图片 I I ,它在任务 下的标签记作 f