arXiv cs.AI· Amir Zamir, Alexander Sax, William Shen, Leonidas Guibas, Jitendra Malik, Silvio Savarese·· 11 小时前AI 评分22
Taskonomy：解耦视觉任务间的迁移学习关系
Taskonomy: Disentangling Task Transfer Learning
AI 导读
研究提出 Taskonomy，一种完全计算化的方法，通过在 26 个 2D、2.5D、3D 和语义视觉任务构成的字典中寻找一阶与高阶迁移学习依赖，构建出任务迁移学习的计算分类图谱。基于该结构，解决 10 个任务所需的总标注数据量可比独立训练减少约 2/3，同时保持性能几乎不变。作者还提供了一套用于计算和探测该分类结构的工具，包括可帮助用户制定高效监督策略的求解器。
正文 · AI 翻译
摘要：视觉任务之间是有关系的，还是彼此无关？例如，拥有表面法线能否简化对图像深度的估计？直觉对这些问题给出了肯定的回答，这意味着视觉任务之间存在一种结构。了解这种结构具有显著价值；它是迁移学习背后的概念，并提供了一种有原则的方法来识别任务间的冗余，例如，在相关任务之间无缝复用监督信息，或在一个系统中解决许多任务而无需堆积复杂性。
我们提出了一种完全计算化的方法来建模视觉任务空间的结构。这是通过在潜在空间中寻找二十六个 2D、2.5D、3D 和语义任务字典之间的（一阶和高阶）迁移学习依赖关系来实现的。其产物是用于任务迁移学习的计算分类图谱。我们研究了这种结构的后果，例如涌现出的非平凡关系，并利用它们来减少对标注数据的需求。例如，我们表明，在保持性能几乎不变的情况下，解决一组 10 个任务所需的标注数据点总数可以减少约 2/3（与独立训练相比）。我们提供了一套用于计算和探究这种分类结构的工具，包括一个求解器，用户可以用它来为自己的用例设计高效的监督策略。
| 评论： | CVPR 2018（最佳论文）。请访问项目网站和在线演示：此 http URL |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG）；神经与进化计算（cs.NE）；机器人学（cs.RO） |
| 引用为： | arXiv:1804.08328 [cs.CV] |
| （或 arXiv:1804.08328v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.1804.08328 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Amir Zamir [查看邮箱]
[v1]
2018年4月23日星期一 10:46:28 UTC（8,483 KB）
[v2]
2026年10月20日星期二 17:19:33 UTC（10,668 KB）
来源：arXiv cs.AI · arxiv.org