面向视觉属性多任务分类的课程学习
计算机视觉与模式识别
2017-08-30 v1
摘要
视觉属性，从简单物体（如背包、帽子）到软生物特征（如性别、身高、衣着），已被证明是图像描述和人体识别等诸多应用中的一种强大表示方法。在本文中，我们引入了一种新颖的方法，将多任务学习和课程学习的优势结合在视觉属性分类框架中。根据相关性对单个任务进行分组，从而形成强相关和弱相关两组任务。在课程学习设置中，通过将已获取的知识从强相关任务迁移至弱相关任务来学习这两组任务。然而，每组内的学习过程是在多任务分类设置下进行的。与在典型的多任务学习范式中学习所有任务相比，所提出的方法学习效果更好且收敛更快。我们在公开可用的 SoBiR、VIPeR 和 PETA 数据集上展示了我们方法的有效性，并在各项结果上均报告了 SOTA 性能。
引用
@article{arxiv.1708.08728,
title = {Curriculum Learning for Multi-Task Classification of Visual Attributes},
author = {Nikolaos Sarafianos and Theodore Giannakopoulos and Christophoros Nikou and Ioannis A. Kakadiaris},
journal= {arXiv preprint arXiv:1708.08728},
year = {2017}
}
备注
To appear in ICCV Workshops 2017 (TASK-CV)