Taskonomy: Disentangling Task Transfer Learning

Taskonomy: Disentangling Task Transfer Learning

项目主页：Taskonomy
这篇Paper是CVPR2018的best paper。主要关注于迁移学习方面的研究。以前我们经常会用ImageNet预训练好的模型来到新的数据上finetuing，可是我们从没有仔细度量过，在分类上预训练好的模型，应用到分割上，会比在检测问题上预训练好的模型应用到分割上是好是坏。作者在这里就度量了26个视觉学习任务之间的迁移关联性。通过大量的实验对比，可以发现任务之间的关联性，从而使得模型用更少的数据进行迁移学习并且依然可以工作的很好。

---

总体思路

为了度量任务之间的相关性，作者总体思路分为三个步骤：

作者把度量任务相关性的这个工具，也就是上面这个东西，叫做Taskonomy：即Task Taxonomy合并的简称。

• (I): Task-specific Modeling。首先对每一个任务进行从零学习，所用的模型架构Encorder-Decorder结构。总共26个任务，其Encorder的结构都是一致的ÿ