StanfordVL/taskonomy

解决的问题

Taskonomy 解决了计算机视觉中迁移学习的挑战，特别是如何确定哪些预训练模型（任务）对新的、未见过的任务最有用。它旨在通过分析不同视觉任务之间的关系和亲和性，来解耦任务迁移学习。

工作原理

该项目提供了一个预训练模型的「任务银行」和相应的数据集。通过分析任务亲和性，项目使研究人员能够理解一个视觉任务的知识如何帮助学习另一个任务，并测量这些关系的原始数据和归一化数据。

适用人群

希望利用迁移学习并理解不同视觉感知任务之间关系的计算机视觉研究人员和开发者。

主要亮点

• 提供 PyTorch 和 TensorFlow 两种框架的预训练模型。
• 包含用于任务亲和性分析的完整数据集和参考代码。
• 基于 CVPR 2018 最佳论文奖获奖研究论文。