You Only Learn One Representation: Unified Network for Multiple Tasks论文阅读

You Only Learn One Representation: Unified Network for Multiple Tasks论文阅读

代码

paper:https://arxiv.org/pdf/2105.04206.pdf

code: WongKinYiu/yolor

摘要

论文中，提出了一个统一的网络将隐性知识(implicit knowledge)和显性知识(explicit knowledge)编码在一起，就像人类的大脑可以从正常的学习知识和潜意识学习，该网络可以生成一个统一的表征(representation)同时用于多个任务（刚开始还以为是可以同时作用于检测，分割，姿态估计等任务，结果实验部分只有目标检测，这个多任务好像说的是目标检测中的分类与定位。。）。可以在卷积神经网络中执行kernel space alignment，prediction refinement，multi-task learning。结果表明，将implicit knowledge引入到神经网络中，有利于所有任务的执行。作者进一步分析了从所提出的统一网络中学习到的implicit knowledge，它显示出很强的捕捉不同任务物理意义的能力。

介绍

如图1所示，人可以从多个角度分析一张图片，然而CNN通常只能实现一个目标。也就是说，从CNN提取的特征不能适用与其他类型的问题。这是因为我们只使用了网络提取的特征，而网络中丰富的隐性知识(implicit knowledge)并没有使用。然而没有系统的定义implicit learning怎样操作以及怎样获得implicit knowledge。通常，在神经网络的定义中，来自浅层网络的特征为显性知识(explicit knowledge)，从深层网络得到的特征为隐性知识(implicit knowledge)。该论文中，把与观察直接对应的知识称为显性知识，对于模型中隐含的与观察无关的知识，称之为隐性知识。

作者提出一个统一的网络来融合隐性知识(implicit knowledge)和显性知识(explicit knowledge)，确保模型包含一个统一的表征(representation)，这个统一的表征允许子表征(sub-representation)也适用于其他任务。如图2c所示。

————————————————

版权声明：本文为CSDN博主「Laughing-q」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：

You Only Learn One Representation: Unified Network for Multiple Tasks论文阅读