知识组装：利用标签不相交的多数据集进行半监督多任务学习
计算机视觉与模式识别
2023-06-16 v1
摘要
在真实场景中，我们常需同时执行多个任务。多任务学习（MTL）是达成此目的的一种恰当方法，但通常要求数据集对所有任务均有标注。我们提出一种方法，能利用仅在 MTL 框架中部分任务有标注的数据集。我们的工作“知识组装”（KA）通过以半监督方式利用无标签数据、使用模型增强进行伪监督，从不相交数据集学习多个任务。尽管 KA 可在任何现有 MTL 网络上实现，我们在联合学习行人重识别（reID）与行人属性识别（PAR）上测试了该方法。我们在 reID 上超越单任务全监督性能 个百分点，在 PAR 上超越 个百分点。
引用
@article{arxiv.2306.08839,
title = {Knowledge Assembly: Semi-Supervised Multi-Task Learning from Multiple Datasets with Disjoint Labels},
author = {Federica Spinola and Philipp Benz and Minhyeong Yu and Tae-hoon Kim},
journal= {arXiv preprint arXiv:2306.08839},
year = {2023}
}
备注
Accepted at CVPRW'23