跨任务与跨域的学习
计算机视觉与模式识别
2019-10-04 v2
摘要
近期工作已证明许多相关的视觉任务彼此密切相关。然而，由于缺少在不同训练过程之间迁移所学概念的实用方法，这种联系在实践中很少被利用。在本工作中，我们引入了一种新颖的适配框架，可同时跨任务和跨域运作。我们的框架学习在完全有监督的域（例如合成数据）中跨任务迁移知识，并将该知识用于仅有部分监督的不同域（例如真实数据）。我们的方案是对现有域适配技术的补充，并将其扩展到跨任务场景，提供额外的性能增益。我们在两个具有挑战性的任务（即单目深度估计与语义分割）和四个不同域（Synthia、Carla、Kitti 和 Cityscapes）上证明了我们框架的有效性。
引用
@article{arxiv.1904.04744,
title = {Learning Across Tasks and Domains},
author = {Pierluigi Zama Ramirez and Alessio Tonioni and Samuele Salti and Luigi Di Stefano},
journal= {arXiv preprint arXiv:1904.04744},
year = {2019}
}
备注
Accepted at ICCV 2019