- 博客(3)
- 收藏
- 关注
原创 Rich feature hierarchies for accurate object detection and semantic segmentation-v5
ILSVRC2013检测数据集被分割成3个子集:训练集(395918)、验证集(20121)、测试集(40152)。圆括号中的数字表示图片数量。验证集和测试集与PASCAL VOC有相同的图片分布,它们的场景看起来很相近,并且复杂程度也很相似,例如目标数量、混乱程度、姿态变化程度等。验证集和测试集有详尽的标注,200个类别中所有图片都标注有边界框。相反地,训练集来源于ILSVRC2013的分类任务的图片。这些图片更加复杂,并且在图片的中心有一个目标物体。
2023-11-05 20:04:28 46
原创 利用不确定性衡量场景几何和语义损失的多任务学习
多任务学习中的多元回归和分类让很多深度学习程序受益,但是多任务网络结构的性能受每一个任务损失函数的权重影响很大,常规的做法是手动调节这些权重参数,毫无疑问,这是一个低效和困难的工作,不同任务损失的尺度差异非常大,导致整体损失被某一个任务所主导,最终导致其他任务的损失无法影响网络共享层的学习过程。这也阻碍了MTL的进一步提升。本文针对多任务学习提出了一种新的策略,即通过考虑每个任务之间的同方差不确定性()来设置不同任务损失函数的权值(关于同方差不确定性的具体含义,我会展开进一步解释)。
2023-10-12 21:47:35 78
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人