用于检测与分割多任务学习的跨连接网络
计算机视觉与模式识别
2018-05-16 v1
摘要
多任务学习通过在与相关任务间共享知识来提升泛化性能。现有模型针对在同一数据集上标注的任务组合，而存在每个任务均有多个数据集可用的情况。如何利用在每个数据集上训练成功的单任务CNN的知识，相较于单数据集的多任务学习探索较少。我们提出跨连接CNN，一种通过卷积层连接单任务CNN的新架构，以传递对对应任务有用的信息。我们在使用两个数据集的检测与分割组合上评估了所提架构。关于行人的实验表明，与基线CNN相比我们的CNN取得了更高的检测性能，同时保持了分割的高质量。这是已知首个应对检测与分割间采用不同训练数据集的多任务学习的尝试。关于野生鸟类的实验展示了我们的CNN如何从有限数据集学习通用表示。
引用
@article{arxiv.1805.05569,
title = {Cross-connected Networks for Multi-task Learning of Detection and Segmentation},
author = {Seiichiro Fukuda and Ryota Yoshihashi and Rei Kawakami and Shaodi You and Makoto Iida and Takeshi Naemura},
journal= {arXiv preprint arXiv:1805.05569},
year = {2018}
}