用于联合语义分割和单目深度估计的高效多任务不确定性

量化预测不确定性成为解决深度神经网络常见挑战（如过度自信或缺乏可解释性和鲁棒性）的一种可能方案，尽管它通常计算成本高昂。许多实际应用本质上是多模态的，因此受益于多任务学习。例如，在自动驾驶中，联合解决语义分割和单目深度估计已被证明是有价值的。在这项工作中，我们首先将不同的不确定性量化方法与联合语义分割和单目深度估计相结合，并评估它们之间的性能比较。此外，我们揭示了多任务学习在不确定性质量方面相对于单独解决两个任务的优势。基于这些见解，我们引入了EMUFormer，一种新颖的学生-教师蒸馏方法，用于联合语义分割和单目深度估计以及高效的多任务不确定性量化。通过隐式利用教师的预测不确定性，EMUFormer在Cityscapes和NYUv2上取得了新的最先进结果，并且为两个任务估计了高质量的预测不确定性，这些不确定性可与Deep Ensemble相媲美或更优，尽管效率高出一个数量级。