Key points are not available for this paper at this time.
Il y a un intérêt croissant pour la conception de modèles pouvant traiter des images provenant de différents domaines visuels. S'il existe une structure universelle dans différents domaines visuels qui peut être capturée via une paramétrisation commune, alors nous pouvons utiliser un seul modèle pour tous les domaines plutôt qu'un modèle par domaine. Un modèle conscient des relations entre différents domaines peut également être entraîné pour fonctionner sur de nouveaux domaines avec moins de ressources. Cependant, identifier la structure réutilisable dans un modèle n'est pas facile. Dans cet article, nous proposons une architecture d'apprentissage multi-domaine basée sur la convolution séparée en profondeur. L'approche proposée repose sur l'hypothèse que les images provenant de différents domaines partagent des corrélations inter-canaux mais ont des corrélations spatiales spécifiques au domaine. Le modèle proposé est compact et a un coût minimal lorsqu'il est appliqué à de nouveaux domaines. De plus, nous introduisons un mécanisme de contrôle pour promouvoir le partage souple entre les différents domaines. Nous évaluons notre approche sur le Visual Decathlon Challenge, une référence pour tester la capacité des modèles multi-domaines. Les expériences montrent que notre approche peut atteindre le score le plus élevé tout en ne nécessitant que 50 % des paramètres par rapport aux approches à la pointe de la technologie.
Guo et al. (Mer,) ont étudié cette question.