利用百万无标注图像在无任何额外知识下改进任务特定表征
计算机视觉与模式识别
2020-06-25 v1 机器学习
摘要
我们给出一个案例研究，通过利用一百万张无标注图像且无需任何额外知识来改进任务特定表征。我们提出一种极简单的方法，将已有表征 conditioning 于多样化数据分布，并观察到在多样化样本上训练的模型可作为更好的初始化。我们针对单图像表面法线估计与语义分割任务广泛研究了我们的发现。我们在 NYU-v2 深度数据集上将表面法线估计、在 PASCAL VOC 上将语义分割相对基线模型提升了 4%。我们未使用任何任务特定知识或辅助任务，也未改变超参数或对底层神经网络架构作任何修改。
引用
@article{arxiv.2006.13919,
title = {Improving task-specific representation via 1M unlabelled images without any extra knowledge},
author = {Aayush Bansal},
journal= {arXiv preprint arXiv:2006.13919},
year = {2020}
}
备注
Technical Report