该挑战于月在上发起将持续到月

ditihekhatun16

现金奖励总计万美元。获胜团队将受邀在的实例级识别研讨会上展示他们的方法。参与者将接受对约个测试查询图像和约个索引图像的数据集的检索任务的评估从中检索相似的图像。与包含分类标签的不同此数据集中的图像在实例级别进行标记。挑战的评估数据由以下领域的图像组成服装和配饰包装商品家具和家居用品玩具汽车地标店面菜肴艺术品迷因和插图。查询图像的域分布。我们邀请研究人员和机器学习爱好者参加通用图像嵌入挑战赛并参加的实例级识别研讨会。我们希望挑战和研讨会能够推进多域表示的最先进技术。致谢该项目的核心贡献者包括ý和。


用于视觉任务例如图像分类的深度学习模型通常使用来自单个视觉域例如自然图像或计算机生成的图像​​的数据进行端到端训练。通常完成多个域的视觉任务的应用程序需要为每个单独 美国手机数据列表 的域构建多个模型独立地训练它们意味着域之间不共享数据然后在推理时每个模型将处理特定于域的输入数据。然而这些模型之间的早期层会生成相似的特征即使对于不同的域也是如此因此它可以更有效——减少延迟和功耗降低存储每个模型参数的内存开销——联合训练多个域这种方法称为多领域学习。此外由于积极的知识迁移模型还可以优于单域模型即一个领域的额外训练实际上提高了另一个领域的性能。




相反的负面知识转移也可能发生具体取决于所涉及领域的方法和具体组合。虽然之前关于的工作已经证明了跨多个领域联合学习任务的有效性但它涉及手工制作的模型架构该架构无法有效应用于其他工作。在用于设备上多域视觉分类的多路径神经网络中我们提出了一种通用的模型它可以有效地实现高精度保持较低的参数数量和学习增强正向知识转移同时减轻负转移有效优化联合模型同时处理各种特定领域的困难。因此我们提出了一种多路径神经架构搜索方法为多个领域构建具有异构网络架构的统一模型。通过联合寻找每个域的最佳路径将高效的神经架构搜索方法从单路径搜索扩展到多路径搜索。