极市分享|李骜 多任务学习及其在图像分类中的应用

2018 年 3 月 26 日 极市平台 极市平台
↑ 点击蓝字关注极市平台 识别先机 创造未来


| 极市线上分享  第26期 |


上期我们邀请到了码隆科技CTO Matt Scott和首席科学家黄伟林博士一起给大家分享 CVPR2017最受瞩目的Webvision Challenge 冠军的技术干货,参赛经验以及一些拓展性思考。本期的嘉宾更是值得期待,哈尔滨工程大学博士李骜,他将为我们讲解多任务学习及其在图像分类中的应用,还有一些方法的总结与展望欢迎大家踊跃参加,与大咖直接互动~



01

活动信息


主题多任务学习及其在图像分类中的应用

时间:北京时间周四(3月29日)晚20:00-21:30



02

嘉宾信息


李骜

哈尔滨工程大学博士,现工作于哈尔滨理工大学,2017~2018年在美国莱特州立大学任助理研究员,主要从事图像处理、模式识别机器学习等方面的研究。



03

关于分享


➤分享背景

多任务学习(Multi-task learning)是和单任务学习(single-task learning)相对的一种机器学习方法,由于其具有联合学习、并行学习等特点。多任务学习在考虑差异的前提下通过共享机制,使多个任务的学习过程相互帮助和促进,同时提升多个任务的学习性能。如何构建多任务是多任务学习问题的关键,传统方法中多个相似任务的构建主要建立在不同数据集或是同一数据集的不同模态。然而,同一数据集的不同类别其实也可能存在共享特征。


因此,本次分享的内容是考虑在同一数据集中不同类别的数据上建立多任务框架,学习不同类别数据之间的共享信息。同时,为了更好的描述输入输出间非线性关系,框架中还引入非线性特征映射学习,并将其应用图像分类问题


➤分享内容

  • 多任务学习模型简介

  • 类间协同多任务学习的非线性特征图像分类

  • 方法的总结与展望



04

参与方式


长按下图,识别图中二维码,关注“极市平台”公众号,回复26即可获取直播链接。如有想获取极市群内分享的,欢迎回复“加群”获取加群信息。

更多新鲜出炉的线上分享信息,实时更新的行业动态、干货分享,敬请关注“极市平台”。



05

往期回顾


极视角致力于打造最专业的的视觉算法开发与分发平台极市,特邀请行业内专业人员每周为大家分享视觉领域内的干货及经验,目前已成功举办24期线上分享。近期在线分享查看:


码特&黄伟林  CVPR2017 WebVision Challege 冠军技术分享

张锋|2D单人人体姿态估计及其应用

王晋东| 迁移学习中的领域自适应方法

沈志强|如何让计算机自动生成稠密的视频描述

许华哲|基于视觉的深度学习的自动驾驶实现模型

申发龙| 关于语义图像分割:FCN和Guidance CRF

郑哲东 | Deep-ReID:行人重识别的深度学习方法

边佳旺 | 稳定的图像特征匹配以及快速的GMS方案

郑华滨 | 从PM到GAN—LSTM之父Schmidhuber横跨22年的怨念

王蒙蒙 | 基于计算机视觉的目标跟踪算法概览

……


更多分享请浏览:极市计算机视觉技术分享集锦http://cvmart.net/community/article/detail/78


在"极市平台"公众号后台回复期数或者分享嘉宾名字,即可获取极市平台对应期在线分享资料。



06

关于极市平台


极市平台(Extreme Mart)是深圳极视角旗下的专业的视觉算法开发与分发平台,提供实景训练数据库、基础算法和规模化分发渠道等。目前已经与上百名开发者进行项目和算法的合作,已有上百种视觉算法成功转化成产品进入市场应用。欢迎联系小助手(微信:Extreme-Vision)进行算法和项目的合作~


点击阅读原文查看所有分享


有问题的请在本帖下直接留言,嘉宾现场作答~


登录查看更多
4

相关内容

多任务学习(MTL)是机器学习的一个子领域,可以同时解决多个学习任务,同时利用各个任务之间的共性和差异。与单独训练模型相比,这可以提高特定任务模型的学习效率和预测准确性。多任务学习是归纳传递的一种方法,它通过将相关任务的训练信号中包含的域信息用作归纳偏差来提高泛化能力。通过使用共享表示形式并行学习任务来实现,每个任务所学的知识可以帮助更好地学习其它任务。
最新《多任务学习》综述,39页pdf
专知会员服务
263+阅读 · 2020年7月10日
高效医疗图像分析的统一表示
专知会员服务
33+阅读 · 2020年6月23日
元学习(meta learning) 最新进展综述论文
专知会员服务
278+阅读 · 2020年5月8日
基于小样本学习的图像分类技术综述
专知会员服务
148+阅读 · 2020年5月6日
零样本图像分类综述 : 十年进展
专知会员服务
126+阅读 · 2019年11月16日
极市分享|张锋 2D单人姿态估计及应用
极市平台
7+阅读 · 2018年1月22日
极市分享|王晋东 迁移学习中的领域自适应方法
极市平台
10+阅读 · 2017年12月11日
【回顾】迁移学习的发展和现状
AI研习社
8+阅读 · 2017年11月17日
计算机视觉专题分享总结(附PPT)
机器学习读书会
41+阅读 · 2017年7月6日
Nocaps: novel object captioning at scale
Arxiv
6+阅读 · 2018年12月20日
Meta-Learning with Latent Embedding Optimization
Arxiv
6+阅读 · 2018年7月16日
Arxiv
19+阅读 · 2018年3月28日
VIP会员
相关VIP内容
最新《多任务学习》综述,39页pdf
专知会员服务
263+阅读 · 2020年7月10日
高效医疗图像分析的统一表示
专知会员服务
33+阅读 · 2020年6月23日
元学习(meta learning) 最新进展综述论文
专知会员服务
278+阅读 · 2020年5月8日
基于小样本学习的图像分类技术综述
专知会员服务
148+阅读 · 2020年5月6日
零样本图像分类综述 : 十年进展
专知会员服务
126+阅读 · 2019年11月16日
相关资讯
极市分享|张锋 2D单人姿态估计及应用
极市平台
7+阅读 · 2018年1月22日
极市分享|王晋东 迁移学习中的领域自适应方法
极市平台
10+阅读 · 2017年12月11日
【回顾】迁移学习的发展和现状
AI研习社
8+阅读 · 2017年11月17日
计算机视觉专题分享总结(附PPT)
机器学习读书会
41+阅读 · 2017年7月6日
Top
微信扫码咨询专知VIP会员