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？

欢迎点击“阅读原文”

或者移步 AI 研习社社区~