特别声明：《CVPR 2018奖项出炉：两篇最佳论文，何恺明获PAMI 青年研究员奖》转载于网络，并不代表傻大方资讯网的立场。

机器之心报道

参与：机器之心编辑部

昨日，一年一度的计算机视觉顶级会议 CVPR 2018 在美国盐湖城拉开帷幕，排起长龙的注册队伍让现场参会的机器之心分析师看到了这届 CVPR 的火热。据统计，本届大会有超过 3300 篇的大会论文投稿，录取 979 篇（接受率约为 29%，其中包括 70 篇 Oral 和 224 篇 Spotlight 论文）。

而在一个小时前，最受关注的 CVPR 2018 最佳论文结果揭晓：来自斯坦福大学和 UC Berkeley 的 Amir R. Zamir 等人获得 CVPR2018 的最佳论文（Best Paper Award）；来自卡内基梅隆大学的 Hanbyul Joo 等人获得了本届大会最佳学生论文奖（Best Student Paper Award）。此外，Tübingen 大学教授 Andreas Geiger 与 FAIR 研究科学家何恺明获得本届大会的 PAMI 年轻学者奖。

在 19 号上午的主会议上，CVPR 方面先介绍了今年大会的数据信息，除了论文接收量再次超越往年，今年的注册参会人员也达到了 6512 位。

此外，论文评审人员的数量在今年也达到了新高，2385 名 reviewer，而 2014 年 CVPR 的参会人员也才 2000 人左右。

介绍完大会数据方面的信息，接下来就是揭晓最佳论文得主了：

最佳论文

CVPR2018 的最佳论文（Best Paper Award）由斯坦福大学和 UC Berkeley 的 Amir R. Zamir 等人获得。他们提出了一个映射视觉任务空间的框架，通过计算不同任务的相关性来确定迁移学习方案，从而可以在保持准确率的同时，大大降低对数据、监督信息和计算资源的需求。

最佳论文：Taskonomy: Disentangling Task Transfer Learning

论文链接：http://taskonomy.stanford.edu/taskonomy_CVPR2018.pdf

视觉任务之间是否相关？例如，能否使用曲面法线简化估计图像深度的过程？直觉上对这些问题的正面回答暗示着在各种视觉任务之间存在一种结构。了解这种结构具有巨大的价值；它是迁移学习背后的概念，且可为识别任务间的冗余提供了一种有理可依的方法，比如，为了在相关任务间无缝地重复使用监督或在一个系统中解决多个任务而不增加复杂度。

我们提出了一种完全计算的方法来建模视觉任务的空间结构，通过在一个位于隐空间内的 26 个二维、2.5 维、三维和语义任务中寻找（一阶或更高阶）迁移学习依赖关系来实现。其成品是用于任务迁移学习的计算分类图。我们研究了这个结构的成果，比如出现的非平凡相关关系，并利用它们减少对标注数据的需求。比如，我们展示了解决一组 10 个任务所需的标注数据点总数可以减少约 2/3（与独立训练相比），同时保持性能几乎一致。我们提供了一套计算和探测这种分类结构的工具，包括一个求解器，用户可以用它来为其用例设计有效的监督策略。

该项目也已开源并放出官方的 API 和 Demo：http://taskonomy.stanford.edu/