面向层次化多标签车辆型号与品牌分类的多任务架构分析
计算机视觉与模式识别
2026-03-03 v1 人工智能
摘要
我们世界中的大部分信息都以层次结构组织；然而，许多深度学习方法并未利用这一语义丰富的结构。研究表明，人类学习从受益于信息层次结构方面，而智能模型也可通过多任务学习方式从中获益。本文分析了在层次化多标签分类问题中（车辆品牌与型号分类）应用多任务学习的优势与局限性。我们在考虑并行与级联两种多任务架构后，评估了它们对不同深度学习分类器（CNN、Transformer）的影响，同时变化关键因素，如 dropout 率与损失权重，以深入洞察该方法的有效性。测试在两个既定基准数据集上进行：StanfordCars 与 CompCars。我们观察到在两个数据集上，多任务范式均显示出色，几乎在所有情景下都提升了所检验的 CNN 的性能。此外，该方法在 CompCars 数据集上对两种模型类型都取得显著提升。
引用
@article{arxiv.2603.01746,
title = {An Analysis of Multi-Task Architectures for the Hierarchic Multi-Label Problem of Vehicle Model and Make Classification},
author = {Alexandru Manole and Laura Diosan},
journal= {arXiv preprint arXiv:2603.01746},
year = {2026}
}
备注
14 pages, 8 figures ,7 tables