利用合成图像进行跨域自监督多任务特征学习
计算机视觉与模式识别
2017-11-27 v1
摘要
在人类学习中，联合使用多种信息来源是很常见的。然而，大多数现有的特征学习方法仅从单一任务中学习。本文提出一种新颖的多任务深度网络，以学习可泛化的高层视觉表示。由于多任务学习需要同一训练实例的多个属性标注，我们借助合成图像来训练网络。为克服真实数据与合成数据之间的域差异，我们采用基于对抗学习的无监督特征空间域适应方法。给定一张输入合成RGB图像，我们的网络同时预测其表面法线、深度和实例轮廓，同时最小化真实与合成数据之间的特征空间域差异。通过大量实验，我们证明与单任务基线相比，我们的网络学到了更具可迁移性的表示。我们学到的表示在PASCAL VOC 2007分类和2012检测上取得了最先进的迁移学习结果。
引用
@article{arxiv.1711.09082,
title = {Cross-Domain Self-supervised Multi-task Feature Learning using Synthetic Imagery},
author = {Zhongzheng Ren and Yong Jae Lee},
journal= {arXiv preprint arXiv:1711.09082},
year = {2017}
}