StanfordVL/taskonomy

解決的問題

Taskonomy 解決了電腦視覺中遷移學習的挑戰，特別是如何判斷哪些預訓練模型（任務）對新的、未見過的任務最有用。它旨在透過分析不同視覺任務之間的關係與親和性，來解耦任務遷移學習。

工作原理

本專案提供一個預訓練模型的「任務銀行」和相應的資料集。透過分析任務親和性，專案讓研究人員能夠理解一個視覺任務的知識如何幫助學習另一個任務，並測量這些關係的原始資料與歸一化資料。

適用對象

希望利用遷移學習並理解不同視覺感知任務之間關係的電腦視覺研究人員與開發者。

主要亮點

• 提供 PyTorch 與 TensorFlow 兩種框架的預訓練模型。
• 包含用於任務親和性分析的完整資料集與參考程式碼。
• 基於 CVPR 2018 最佳論文獎獲獎研究論文。