ภาระงาน

Taskonomy: แยกการเรียนรู้การถ่ายโอนงานออกจากกัน

พื้นที่เก็บข้อมูลนี้ประกอบด้วย:

• โมเดลที่ฝึกไว้ล่วงหน้า (คลังงาน) [PyTorch + TensorFlow]

• ชุดข้อมูล

• รหัสอ้างอิง

• การวิเคราะห์ความสัมพันธ์ของงานและผลลัพธ์

สำหรับบทความต่อไปนี้:

หัวข้องาน: การเรียนรู้การถ่ายโอนงานที่ไม่พันกัน (CVPR 2018 รางวัลกระดาษยอดเยี่ยม)

อาเมียร์ ซามีร์, อเล็กซานเดอร์ แซ็กซ์*, วิลเลียม เชน*, เลโอไนดาส กุยบาส, จิเทนดรา มาลิก, ซิลวิโอ ซาวาเรเซ

ธนาคารงาน	ชุดข้อมูล
โฟลเดอร์ taskbank ประกอบด้วยข้อมูลเกี่ยวกับโมเดลที่ได้รับการฝึกอบรมของเรา และสคริปต์สำหรับดาวน์โหลด มีเอาต์พุตตัวอย่าง และลิงก์ไปยังการสาธิตสด	โฟลเดอร์ data ประกอบด้วยข้อมูลและสถิติเกี่ยวกับชุดข้อมูล ข้อมูลตัวอย่างบางส่วน และคำแนะนำในการดาวน์โหลดชุดข้อมูลแบบเต็ม

การวิเคราะห์ความสัมพันธ์ของงานและผลลัพธ์	เว็บไซต์
โฟลเดอร์นี้ประกอบด้วยข้อมูลดิบและข้อมูลมาตรฐานที่ใช้สำหรับการวัดความเกี่ยวข้องของงาน	หน้าเว็บของโครงการพร้อมลิงก์ไปยังเนื้อหาและการสาธิต

การอ้างอิง

หากคุณพบว่าโค้ด โมเดล หรือข้อมูลมีประโยชน์ โปรดอ้างอิงเอกสารนี้:

@inproceedings{zamir2018taskonomy,
  title={Taskonomy: Disentangling Task Transfer Learning},
  author={Zamir, Amir R and Sax, Alexander and and Shen, William B and Guibas, Leonidas and Malik, Jitendra and Savarese, Silvio},
  booktitle={2018 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2018},
  organization={IEEE}
}