利用合成数据的跨领域的多任务视觉特征学习

分享背景

现在的神经网络可以通过监督学习学到很好的迁移学习本领,然而却需要百万级别的手工标注数据。自监督(self-supervised)任务就是一种为了取代标注数据的方式。 然而已有的自监督方法大部分是单任务,导致模型容易在这个任务上过拟合。我将分享一下我们用合成数据做多任务特征学习的工作,以及如何使用domain adaptation来让学到的特征更好的迁移到真实世界的视觉任务上。

分享主题

利用合成数据的跨领域的多任务视觉特征学习

分享提纲

1. 介绍自监督(self-supervised)学习的定义,目标,以及之前的工作。

2. 介绍我们的多任务自学习模型。

3. 介绍我们的domain adaptation模块。

4. 介绍我们的成果以及后续的最新的结果。

分享人简介

任中正,现UIUC攻读计算机博士,UC Davis计算机硕士,中山大学本科。主要研究方向为计算机视觉,尤其是自监督或者弱监督的方法。

个人主页:jason718.github.io

分享时间

北京时间 7 月 28 日(星期六) 早上 10:00

参与方式

想要获取更多直播干货?

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180727A1HK4O00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码关注腾讯云开发者

领取腾讯云代金券