Taskonomy 构建视觉任务迁移图谱，标注量减约三分之二
热点事件持续更新
Taskonomy 构建视觉任务迁移图谱，标注量减约三分之二
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Amir Zamir 等作者提出 Taskonomy，一种完全计算化的方法，用于刻画视觉任务之间的迁移学习关系。该方法在由 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依赖，构建出任务迁移学习的计算分类图谱。 基于这一结构，作者称解决 10 个任务所需的总标注数据量可比独立训练减少约 2/3，同时性能几乎不变。作者还提供了用于计算和探测该分类结构的工具，其中包括帮助用户制定高效监督策略的求解器。
AI 根据报道生成 · 53 分钟前更新
最新进展10月21日 12:00
Taskonomy：解耦视觉任务间的迁移学习关系报道时间线
沿着报道，了解事件的不同侧面。
10月21日
- arXiv cs.AITaskonomy：解耦视觉任务间的迁移学习关系
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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。