汤晓鸥为CNN搓了一颗大力丸

大把时间、大把GPU喂进去，训练好了神经网络。

接下来，你可能会迎来伤心一刻：

同学，测试数据和训练数据，色调、亮度不太一样。

同学，你还要去搞定一个新的数据集。

是重新搭一个模型呢，还是拿来新数据重新调参，在这个已经训练好的模型上搞迁移学习呢？

香港中文大学-商汤联合实验室的潘新钢、罗平、汤晓鸥和商汤的石建萍，给出了一个新选项。

他们设计了一种新的卷积架构，既能让CNN提升它在原本领域的能力，又能帮它更好地泛化到新领域。

这个新架构叫做IBN-Net。

它在伯克利主办的WAD 2018 Challenge中获得了Drivable Area（可行驶区域）赛道的冠军。相关的论文Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net发表在即将召开的计算机视觉顶