May, 2023

元变形：为多任务学习生成目标导向的隐私感知特征

PDF
TL;DR这篇文章介绍了一种名为 MetaMorphosis 的深度学习方法，通过一种名为 Cross-SEC 的渠道压缩激励模块，结合差分隐私的去相关损失函数，针对具体的任务生成不同的隐私感知特征，旨在解决多任务联合智能场景下普适特征保护的问题。经过实验验证，在图像和视频分析方面，其效率高于最近的对抗学习和通用特征生成方法，并且能够保证隐私需求。
deep learningmulti-task learningprivacyfeature generationcomputer vision
发现论文，激发创造
  • 跨任务和领域传递良好特征的学习

    本文提出一种基于知识迁移和神经网络的方法，使得在新领域中，能够在有限或无额外监督的情况下利用特定领域中已学知识解决新任务，并且在特征空间约束和映射网络方面提出了一些策略，从而在合成到真实的语境下，利用单目深度估计和语义分割任务之间的知识迁移，获取了令人满意的结果。

    Jan, 2023

  • 密集型多任务学习的跨任务注意机制

    该研究介绍了一种多任务学习架构，通过相关性引导的注意力和自我关注增强平均表示学习，以通过 2D 语义分割和几何相关的任务来综合理解复杂场景，并在室内和室外数据集上展示了其好处。

    Jun, 2022

  • 跨域自监督多任务特征学习：使用合成图像

    本文提出了一种多任务深度网络学习通用高级视觉表示的方法，并通过对人工制成的图像进行训练来克服真实与合成数据之间的领域差异，模型考虑同步从合成 RGB 图像中预测其表面法向、深度和实例轮廓，并最小化真实和合成数据之间特征空间的差异，在广泛实验的基础上，表明我们的网络相比单任务基线学习到更具有可转移性的表示，使得在 PASCAL VOC 2007 分类和 2012 检测上能够产生最先进的迁移学习结果。

    Nov, 2017

  • 一种高效的通用模块化视觉模型，通过多任务异构训练实现

    我们提出了一种通用视觉模型，采用集成式的训练方式，使其可同时进行多任务，具有较强的泛化能力和模块化特性，并可在保证较小的训练参数、模型参数和计算量的同时，灵活地满足各种下游任务的需求，且适用于不断学习而无需遗忘的情境。

    Jun, 2023

  • MetAug：元特征增强的对比学习

    本文提出一种基于元学习和生成模型的对比学习方法，该方法通过针对性地增强有信息量的特征，避免无用特征的干扰，实现了在少量数据下学习鲁棒性强且表达能力强的特征表示。

    Mar, 2022

  • 基于 3D 感知正则化的多任务学习

    通过引入结构化 3D-aware 正则化方法，将深度神经网络与多任务背景相结合，可以改善性能。

    Oct, 2023

  • 用于多任务学习的调制模块及其在图像检索中的应用

    本文使用调制模块来增强相关任务之间的耦合度和特征共享，同时通过引入微小的参数进行无关任务的学习分离，使得多任务联合训练更加高效。在两个检索任务上的实验结果表明，与其他多任务学习方法相比，该方法在准确性和存储效率上都具有优势。

    Jul, 2018

  • 对比多任务密集预测

    本文提出了一种基于特征对比一致性的多任务对比正则化方法，以解决多任务密集预测的跨任务交互建模问题，并在两个数据集上进行了大量实验，展示了该方法在密集预测方面的优越表现，创立了新的最先进性能。

    Jul, 2023

  • 通过统一表示和行为蒸馏实现形态任务泛化的系统

    通过建立形态 - 任务图，基于 Transformer 架构，以及用大规模行为数据来训练策略，本文研究了探索一种学习单个策略来解决不同任务和代理人形态的方法，以期实现在连续控制领域的广泛泛化。

    Nov, 2022

  • 元学习视觉回归任务的关键因素是什么？

    本文探讨在高维度输入如图像中元学习的回归任务，提出两项主要贡献：设计两种新的跨类别层次的视觉回归任务，并通过深度学习技术强化元学习算法的泛化能力；在条件神经过程中，添加了功能对比学习（FCL），并通过端到端的训练得到了实验结果，表明先前的工作结果存在误导，应考虑合适的损失函数并增加元训练集的大小。

    Mar, 2022