作者Tinghui Zhou,加州大学伯克利分校的博士生,拥有强大的学术背景,是CVPR2017年Image-to-Image Translation with Conditional Adversarial Networks(使用条件Gan经行图像的转换)的作者之一,现在Google学术引用已经1600多了。他的博士论文——元监督视觉学习(Visual Learning Beyond Direct Supervision),主要是针对当前深度学习在解决许多计算机视觉任务方面取得了很大进展,但对于难以或不可能获得标签的任务,进展却有限,这一问题展开,研究如何在不需要任何直接标签的情况下,仍然利用深度学习的计算能力,使用可选的监督信息来学习视觉任务。作者在文中阐述直观上,虽然不知道ground-truth是什么,但我们可能知道它应该满足的各种属性,关键思想是将这些属性形式为学习目标任务的目标函数。并且也表明这类“元监督”,在学习各种视觉任务时竟然是非常有效的。感兴趣的同学可以仔细品味这一系统性的博士论文和其代表性工作。

成为VIP会员查看完整内容
20190101_PHD_Visual Learning Beyond Direct Supervision.pdf
28

相关内容

现实生活中常常会有这样的问题:缺乏足够的先验知识,因此难以人工标注类别或进行人工类别标注的成本太高。很自然地,我们希望计算机能代我们完成这些工作,或至少提供一些帮助。根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题,称之为无监督学习
【斯坦福大学博士论文】自监督场景表示学习, 97页pdf
专知会员服务
92+阅读 · 2020年6月19日
还在修改博士论文?这份《博士论文写作技巧》为你指南
2018年度NLP领域最令人兴奋的10项新研究
AI前线
16+阅读 · 2018年12月29日
综述 | 近年来深度学习的重要研究成果(附PDF)
数据派THU
14+阅读 · 2018年8月15日
深度学习中的注意力机制
人工智能头条
16+阅读 · 2017年11月2日
推荐 | 一文看懂迁移学习:从基础概念到技术研究!
全球人工智能
4+阅读 · 2017年9月24日
深度 | 迁移学习全面概述:从基本概念到相关研究
七月在线实验室
15+阅读 · 2017年8月15日
Continual Unsupervised Representation Learning
Arxiv
7+阅读 · 2019年10月31日
Arxiv
30+阅读 · 2019年3月13日
Arxiv
7+阅读 · 2018年11月27日
VIP会员
相关论文
微信扫码咨询专知VIP会员