视觉任务结构：CVPR2018最佳论文《Askonomy：分解任务迁移学习》

在2018年的计算机视觉与模式识别（CVPR）会议上，Amir Zamir、Alexander Sax、William Shen等人发表了一篇名为《Askonomy: Disentangling Task Transfer Learning》的最佳论文，该研究专注于视觉领域的迁移学习问题，特别是探讨了不同视觉任务之间的关系及其对迁移学习的影响。 论文的核心思想是探究视觉任务之间是否存在内在结构，比如，表面法线估计是否有助于深度感知？作者认为，视觉任务之间存在相关性，这背后的理论支持就是任务间的转移学习。这种结构不仅有助于理解任务之间的关系，还为迁移学习提供了重要的指导原则，即如何有效地利用已有的监督信息，减少冗余，并在一个系统中解决多个任务，同时避免过度增加复杂度。 为了实现这一目标，研究者们提出了一种完全基于计算的方法，即构建一个视觉任务的结构化模型。他们通过在2D、2.5D、3D以及语义任务的字典中寻找低阶和高阶的迁移学习依赖关系，将这些任务映射到一个潜在空间中。这种方法的结果是创建了一个用于任务转移学习的计算分类图谱，或者说是任务之间的关联网络。 论文的研究内容包括以下几个关键部分： 1. 任务关系分析：通过实验验证，论文揭示了视觉任务之间的相互作用和共享的底层原理，为理解任务之间的相关性和任务之间的学习转移提供了新的视角。 2. 方法设计：使用机器学习算法，如深度神经网络，来挖掘任务之间的潜在联系，形成一个任务空间中的层次结构，以便在任务转移时找到最优路径。 3. 数据集构建：论文提出了一套包含26项视觉任务的数据集，这些任务覆盖了图像处理、三维重建等多个领域，为后续的研究提供了一个丰富的实践平台。 4. 性能评估：通过实验证明了新方法的有效性，包括在多个迁移学习场景下的性能提升，以及与传统方法相比的优越性。 5. 应用场景：展示了如何利用这种任务结构来改进现有系统的性能，例如，在深度估计、对象识别和场景理解等任务中的应用。 这篇论文在CVPR 2018上提出了一个新颖且实用的方法，通过揭示视觉任务的内在结构，为迁移学习提供了更深入的理解和有效的工具，对于推动计算机视觉领域的理论发展和实际应用具有重要意义。