简介 Auxiliary tasks 可以看作是regularization，使main tasks的performance更好。这篇论文选择road scene understanding(RSU) 作为例子。还提供了多任务的dataset，synMT。 很多CV的应用都需要单一任务的组合，例如single-image depth estimation(SIDE)、semantic segmentation、图像分类等。合起来解决时，可以提升性能，还能节省训练和推断时间。 main tasks是最终需要输出的tasks。auxiliary tasks则是为了能学到更robust、common...

简介 通过在相关的task上共享representation，我们在原本的任务上可以泛化得更好。这种方法就叫做Multi-Task Learning (MTL)。MTL还有别的说法：joint learning、learning to learn和learning with auxiliary tasks。如果optimize多个loss，就可以看作是MTL。 动机 可以把MLT看作是一种inductive transfer。Inductive transfer可以通过引入inductive bias改善模型。例如，L1正则化。 两种MTL方法 hidden layer的hard和soft参数...

简介 Fast R-CNN在R-CNN的基础上改善了训练和测试速度，同时提高了检测准确率。Fast R-CNN使用了VGG16，训练时比R-CNN快了9倍，测试时快了213倍。R-CNN模型的复杂度主要来自两个方面：很多proposal需要处理，同时这些proposal的定位比较粗糙，必须改进才能得到准确的定位结果。R-CNN有一些显著的缺点： 训练需要多个阶段：需要训练CNN和SVM。 训练需要的空间、时间很多。 目标检测很慢，用VGG16检测速度为47s/image。其中，因为R-CNN需要对每个proposal跑CNN，所以很慢。Fast R-CNN有如下优点：高mAP、单阶段训练、训...

简介 在RCNN之前的object detection方法，大都使用了SIFT和HOG提取feature。而R-CNN使用了CNN定位、分割object。当有label的训练资料很少时，可以使用pre-train的model对现有的data再进行fine-tuning。R-CNN在VOC 2012上达到了53.3%的mAP。 在detection中需要定位object，因此RCNN把这个问题认为是回归问题。在test时，这个方法对一张图片产生大约2000个与类别无关的region proposal（预选框），对每个预选框使用CNN提取固定长度的feature vector，最后用linear ...