论文标题
通过1M未标记的图像改善特定于任务的表示，而无需任何额外的知识
Improving task-specific representation via 1M unlabelled images without any extra knowledge
论文作者
论文摘要
我们提出了一个案例研究，以通过利用一百万个未标记的图像而没有任何额外知识来改善特定于任务的表示。我们提出了一种非常简单的方法，将现有表示形式调节在多样化的数据分布上，并观察到接受不同示例的模型可以作为更好的初始化。我们广泛研究了从单个图像的表面正常估计和语义分割的任务。我们在基本模型上提高了对Pascal VOC的NYU-V2深度数据集的表面正常估计和对Pascal VOC的语义分割。我们没有使用任何特定任务的知识或辅助任务，也没有更改超参数，也没有对基础神经网络体系结构进行任何修改。
We present a case-study to improve the task-specific representation by leveraging a million unlabelled images without any extra knowledge. We propose an exceedingly simple method of conditioning an existing representation on a diverse data distribution and observe that a model trained on diverse examples acts as a better initialization. We extensively study our findings for the task of surface normal estimation and semantic segmentation from a single image. We improve surface normal estimation on NYU-v2 depth dataset and semantic segmentation on PASCAL VOC by 4% over base model. We did not use any task-specific knowledge or auxiliary tasks, neither changed hyper-parameters nor made any modification in the underlying neural network architecture.
