这篇论文研究的是各种计算机视觉任务在迁移学习中的依存关系，提出了一个感知任务迁移学习的计算分类地图（computational taxonomic map），能够根据各种任务的相关性，来决定迁移学习方案。

对于一组10种任务，他们的模型能在保持性能几乎不变的情况下，将对标注数据的需求降低2/3。

传送门：

Taskonomy: Disentangling Task Transfer Learning

https://arxiv.org/abs/1804.08328

2017年，有两篇最佳论文。

一篇是Densely Connected Convolutional Networks，作者来自清华大学、康奈尔大学和Facebook等。

提出了一个叫做DenseNet的模型，让CNN中的每一层都以前馈的方式和所有其他层相连。

这个模型，有多方面的优点，不仅减轻了梯度消失问题、加强了特征传播，还能鼓励特征复用、减少参数数量。

传送门：

Densely Connected Convolutional Networks

https://arxiv.org/abs/1608.06993

另一篇是Learning from Simulated and Unsupervised Images through Adversarial Training，来自苹果。

提出了模拟 无监督（S U）学习模型，通过非标注的真实数据来学习一个模型，以增强模拟器输出的真实性，同时保留模拟器中的标注信息。

这种方法能够生成高真实度的图像，在没有任何真是标注数据的情况下，在MPIIGaze数据集上获得了最高水平的结果。

传送门：

Learning from Simulated and Unsupervised Images through Adversarial Training

https://arxiv.org/abs/1612.07828

最后，CVPR 2019 将于6月16日-6月20日于洛杉矶长滩市举办，王鑫同学的这篇满分论文，能否获得最佳论文？届时将会揭晓。

— 完 —

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态