多任务学习:网络结构
前言
多任务学习(multi-task learning)是未来有研究前景的机器学习领域,目的是利用多个相关学习任务之间的有用信息和共享相关任务之间的特征,提升各子任务的性能。多任务学习通常包括两个模块,共享参数和特定任务的参数。共享参数用于表示多个任务之间的共性,而特定任务的参数用于执行独立的处理。在多个CNNs构建的MTL网络中,共享参数在执行关键特征提取时被称为编码器,特定任务的参数在从编码器解码信息时被称为解码器。MTL网络根据共享参数的方式分为硬参数共享和软参数共享两类。在硬参数共享中,初始层或参数在不同任务之间共享,因此这些参数对所有任务都是通用的。在软参数共享中,允许不同的任务具有不同的初始层,初始层之间具有一定程度的共享。
网络一:MultiNet++
论文链接:http://openaccess.thecvf.com/content_CVPRW_2019/html/WAD/Chennupati_MultiNet_Multi-Stream_Feature_Aggregation_and_Geometric_Loss_Strategy_for_Multi-Task_CVPRW_2019_paper.html
2019CVPR会议文章:《MultiNet++: Multi-Stream Feature Aggregation and Geometric Loss Strategy for Multi-Task Learning》(MultiNet++:基于多流特征聚合和几何损失策略的多任务学习)
- 面向领域:自动驾驶中的各种视觉感知任务