Jun, 2016

基于循环多任务神经网络的集成感知

PDF
TL;DR探讨了深度神经网络能否学习到通用的图像表示，并提出一种名为 MultiNet 的新模型，在共享特征的基础上，通过在共同的表征中相互交互来整合各个任务的解决方案，实现了在标准基准测试中提高各个任务性能的目的。
perceptual tasksdeep neural networksimage representationmultinetshared representation
发现论文，激发创造
  • 将深度网络特征应用于捕捉心理表征

    使用深度神经网络进行物体分类，可以占人类相似性判断的重要部分，但不能捕捉到人类表现中的一些关键性质。我们开发了一种方法，将深层特征与人类相似性判断对齐，以获取可用于扩展心理实验范围的图像表示。

    Aug, 2016

  • 学习所有模型的一种模型

    本研究旨在通过建立一个深度学习模型，同时训练图像分类、多语种翻译、图片描述生成、语音识别以及英文解析等多个任务，并在各个任务上都达到良好的结果。该模型特别之处在于将多个计算块集成到架构中，如卷积层、注意力机制和稀疏门控层等，每个计算块都对一部分任务至关重要，但即使对于不是关键任务的块，也不会影响其它任务的表现。同时，该研究还发现，少样本的任务集成到多个任务进行训练将会有较大提升。

    Jun, 2017

  • 基于多任务学习的文本分类循环神经网络

    本文提出了基于多任务学习框架的神经网络方法，采用循环神经网络来建模具有特定任务和共享层的文本，并在四个基准文本分类任务的实验中显示出该方法可以提高其他相关任务的性能。

    May, 2016

  • 多任务网络中的全自适应特征共享及其在个人属性分类中的应用

    本文提出了一种以紧凑的多任务深度学习架构为设计目标的方法，使用一种推动类似任务聚集的新标准在训练期间贪心地扩大网络，以优化多任务学习的泛化性能并在人员属性分类任务中取得最先进的精度。

    Nov, 2016

  • 面向视觉识别与推理的统一神经网络架构

    图像识别和推理是视觉理解的两个支柱，最近的研究表明，多任务变压器模型可以在视觉识别和推理中提供统一的神经网络架构，通过探索不同的识别任务、数据集和归纳偏好，我们发现对象检测对推理是最有益的任务。

    Nov, 2023

  • 图像理解中的知识和推理整合

    本文综述了各种代表性的推理机制、知识整合方法及其相应的图像理解应用，讨论了结合外部知识与神经网络的关键技术，并探讨了提高推理能力的潜在途径。

    Jun, 2019

  • 共享内存的深度多任务学习

    本研究提出了两种深度神经网络结构， 加入外部记忆共享于多个任务中训练，实验表明该结构帮助相关任务，提高文本分类任务效果。

    Sep, 2016

  • 基于特征的通用预测模型：感知和抽象推理的统一

    人类智能的一个特征是能够从有限的经验中推断出抽象规则，并将这些规则应用于陌生情境。本研究介绍了一个使用特征检测、仿射变换估计和搜索的算法方法来进行规则检测和应用，并在简化版的 Raven's Progressive Matrices 任务中展示了模型具有类似人类水平的一次性学习和符号推理能力。

    Mar, 2024

  • 通过学习目标嵌入进行注意力，实现复杂的视觉推理

    该文介绍了一种基于神经网络的动态视觉推理问题的更通用方法，通过学习物体中心表示、自我关注和自监督动力学学习，以实现三个不同领域的最先进表现，在每种情况下都优于针对任务特定定制的专用模块化方法。

    Dec, 2020

  • 多任务自监督视觉学习

    研究多种自监督学习任务相结合的方法，用于训练单一的视觉表征，并在 ImageNet 分类、PASCAL VOC 检测和 NYU 深度预测上获得了优秀的结果。

    Aug, 2017