用于鲁棒且有效密集预测的复合学习
计算机视觉与模式识别
2022-10-14 v1
摘要
多任务学习通过与辅助任务联合优化，有望在目标任务上获得更好的模型泛化。然而，当前做法需要为辅助任务付出额外的标注工作，且不能保证更好的模型性能。本文中，我们发现将密集预测（目标）任务与自监督（辅助）任务联合训练可一致地提升目标任务的性能，同时免去标注辅助任务的需要。我们将此联合训练称为复合学习 (CompL)。在单目深度估计、语义分割与边界检测上的 CompL 实验显示了在完全与部分标注数据集上的一致性能提升。对深度估计的进一步分析揭示，自监督联合训练优于大多数有标注辅助任务。我们也发现当模型在新域中评估时，CompL 可提升模型鲁棒性。这些结果展示了自监督作为辅助任务的益处，并确立了设计新型任务特定自监督方法作为未来多任务学习研究的新探索方向。
引用
@article{arxiv.2210.07239,
title = {Composite Learning for Robust and Effective Dense Predictions},
author = {Menelaos Kanakis and Thomas E. Huang and David Bruggemann and Fisher Yu and Luc Van Gool},
journal= {arXiv preprint arXiv:2210.07239},
year = {2022}
}
备注
Winter Conference on Applications of Computer Vision (WACV), 2023