Taskonomy：解耦任务迁移学习
arXiv 1804.08328v2（replace-cross）提出一种完全计算化的方法，对26种2D、2.5D、3D与语义视觉任务在潜空间中求解一阶与高阶迁移学习依赖关系，生成一张任务迁移学习的计算分类学图谱。作者利用该结构中的非平凡关系降低标注需求：求解10个任务所需的有标注数据点总数较独立训练减少约2/3，性能基本持平。论文同时提供计算与探查该结构的工具，包括供用户设计监督策略的求解器。
发布于 10-22 10:57来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Taskonomy: Disentangling Task Transfer Learning》查看原链
视觉任务之间是否存在关系，还是彼此无关？ 例如，拥有表面法线能否简化图像深度估计？ 直觉对这些问题给出肯定回答，暗示视觉任务之间存在某种结构。 了解这种结构具有显著价值；它是迁移学习背后的核心概念，并为识别任务间的冗余提供了有原则的方法，例如在相关任务之间无缝复用监督信号，或在一个系统中解决多个任务而无需叠加复杂度。
我们提出一种完全计算化的方法来建模视觉任务空间的结构。 该方法通过在潜空间中对二十六种2D、2.5D、3D和语义任务构成的字典寻找（一阶与高阶）迁移学习依赖关系来实现。 产物是一张用于任务迁移学习的计算分类学图谱。 我们研究了这种结构的后果，例如涌现出的非平凡关系，并利用它们来降低对标注数据的需求。
例如，我们展示：在保持性能几乎不变的情况下，求解一组10个任务所需的有标注数据点总数可比独立训练减少约2/3。 我们提供了一套用于计算和探查该分类学结构的工具，包括一个求解器，用户可用其为自己的用例设计高效的监督策略。