通过仿射变换提升多域学习中的二值掩码
计算机视觉与模式识别
2021-03-26 v1
摘要
在这项工作中，我们提出了一种用于多域学习的新型算法。给定一个预训练架构和按序接收的一组视觉域，多域学习的目标是生成一个在所有域上共同执行某任务的单一模型。近期工作表明，我们可以通过学习得到的二值变量对给定原始卷积网络的内部权重进行掩码来处理该问题。在本工作中，我们通过原始网络参数的仿射变换，给出了基于二值掩码的多域学习模型的一般化表述。我们的表述获得了显著更高的对新域的适应能力，在仅需每个附加域每个网络参数略多于 1 比特的情况下，取得了可与特定域模型相媲美的性能。在两个流行基准上的实验展示了我们方法的威力，在 Visual Decathlon Challenge 上取得了接近最先进方法的性能。
引用
@article{arxiv.2103.13894,
title = {Boosting Binary Masks for Multi-Domain Learning through Affine Transformations},
author = {Massimiliano Mancini and Elisa Ricci and Barbara Caputo and Samuel Rota Buló},
journal= {arXiv preprint arXiv:2103.13894},
year = {2021}
}
备注
Accepted for publication by Machine Vision and Applications on May 21, 2020. arXiv admin note: substantial text overlap with arXiv:1805.11119