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。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
