联合学习更优：从跨任务的类层级中收获学习改进
群论
2021-07-30 v1
摘要
计算机视觉中从层级分类法学习的尝试大多聚焦于图像分类。尽管在分类中最好地从层级收获学习改进的方法远未解决，仍有必要在如目标检测等其他视觉任务中针对这些问题。由于分类侧的进展常依赖于层级交叉熵损失，使用sigmoid而非softmax作为输出函数的新型检测架构无法轻易应用这些进展，需要在检测中采用新方法。本工作中，我们建立了一个基于概率与集合论的理论框架，用于提取父预测以及可跨任务使用的层级损失，在分类与检测基准上展示了结果，并为基于sigmoid的检测架构的层级学习开辟了可能。
引用
@article{arxiv.2107.13626,
title = {An Infinite Dimensional Virtual Cohomology Group of $\textbf{SL}_3(\mathbb{Z}[t])$},
author = {Matthew Goroff},
journal= {arXiv preprint arXiv:2107.13626},
year = {2021}
}