多任务学习
cv_family_z
这个作者很懒,什么都没留下…
展开
-
多任务学习“Exploiting Multi-Grain Ranking Constraints for Precisely Searching Visually-similar Vehicles”
multi-grain ranking约束用于车辆精确检索。其中一个是Generalized Pairwise Ranking(GPR),将二值的相似/不相似关系泛化到广义的多层关系,(0/1)到(0/1/2/3…n)。另外一个是Multi-Grain based List Ranking(MGLR),使用一组具有多层关系的图像训练,ranking对应多次关系,使用组合概率对multi-grain原创 2017-10-27 17:02:19 · 1312 阅读 · 0 评论 -
多任务学习“Embedding Label Structures for Fine-Grained Feature Representation”
论文使用多任务学习框架进行精细的车辆分类,同时学习分类和相似度约束。车辆分类可以分为多层,如品牌、型号、年款,为了对多层之间相关性进行建模,使用triplet loss,将标记的结构如hierarchy的或者shared attributes嵌入到框架中。为了获得精细粒度的特征表示,一些方法加入similarity 约束,如contrastive、tiplet损失。直接使用相似度约束在找相同的实例中原创 2017-10-25 15:20:54 · 2222 阅读 · 2 评论 -
多任务学习“Fine-grained Recognition in the Wild: A Multi-Task Domain Adaptation Approach”
精细图像分类需要大量样本标记,但有些样本不容易标记。论文使用容易标记的样本,研究domain adaptation解决易获取样本与自然场景样本数据集转换的问题。这其中多任务的属性学习被用来提升性能。论文要解决的问题示例,先获取有标记的样本,实际应用的场景有少许样本有标记,使用domain adaptation作为两个数据集之间的转换方法: 大部分的类别在某些已知的结构上与其他类别相关,比如,不同的原创 2017-11-02 16:26:34 · 2601 阅读 · 1 评论 -
多任务学习“Facial Landmark Detection by Deep Multi-task Learning”
使用多任务学习提升人脸特征点检测的准确率,相关的任务如人头姿态估计、人脸属性预测(性别、年龄、人脸表情)。考虑到不同任务的收敛速度不一样,有些任务可以提前停止优化。人类特征点检测的估计受其他任务或相关因素的影响。如人笑的时候嘴是大张的,头部偏转角度大时,瞳孔距离变小,挖掘这些人脸属性相关的信息可以帮助检特征点。示例 如图1所示: 不同的任务学习的难度比较大,如分辨“戴眼镜”就比分辨是否“笑”要简单原创 2017-10-26 11:40:46 · 1515 阅读 · 0 评论 -
多任务学习“Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics”
多任务学习系统的性能很大程度上依赖于任务间的损失权值。手动调节权值非常耗时耗力,论文提出使用任务间的同方差不确定性给每个损失函数赋权。模型由单一图像同时学习像素级深度回归、语义及实例分割。场景理解的多任务学习在机器人领域比较实用,多个任务组合到一个模型可以降低计算量。多任务学习中每个任务的最优权值依赖于调节尺度、任务的噪声幅值。论文多任务学习的结构为: 相关工作 多任务学习可以认为是归纳知识迁移原创 2017-12-08 14:34:00 · 14059 阅读 · 8 评论 -
多任务学习“Rotating Your Face Using Multi-task Deep Neural Network”
多任务学习框架,在保持人脸ID同时将任意姿态和光照人脸旋转到目标姿态,目标姿态可以人为控制。通过使用人造的控制姿态的图像,提取姿态及光照不变的特征,用于人脸识别,在MultiPIE数据库上比较。论文通过训练一个DNN网络,将一幅人脸和一个表示目标姿态的二值编码作为输入,即Remote Code,生成目标姿态且具有相同身份的人脸图像。这个人脸旋转器可以认为是一个黑盒子,旋转器的质量由输出图像与目标姿态原创 2017-12-06 11:20:46 · 849 阅读 · 2 评论 -
多任务学习“DEEP MULTI - TASK REPRESENTATION LEARNING : A TENSOR FACTORISATION APPROACH”
多任务深度学习结构通常是一个黑科技,由设计者决定哪些层共享。论文在深度网络的每一层学习任务间的共享结构,基于矩阵分解泛化技术进行tensor分解,实现端到端的深度网络信息共享。该方法可以用于同类和不同类的多任务学习。由设计者定义的深度多任务网络通常在浅层共享,之后分叉成多个分离的层,每个任务都有损失函数。设计者通常需要明确共享结构:有多少个特定任务层,多少个任务不相干层,如果设计共享结构等问题。论文原创 2018-01-02 17:10:29 · 2351 阅读 · 0 评论 -
Multi-task Learning
Deep Learning 回顾之多任务学习 https://www.52ml.net/20775.html?utm_source=tuicool&utm_medium=referral深度神经网络的多任务学习概览(An Overview of Multi-task Learning in Deep Neural Networks)https://www.cnblogs.com/...原创 2018-01-19 09:44:59 · 2917 阅读 · 0 评论