FastCAR：用于对检测目标类别的连续属性变量进行建模的多任务学习任务整合中的快速分类与回归
计算机视觉与模式识别
2025-06-03 v1
摘要
FastCAR 是多任务学习 (Multi-Task Learning, MTL) 中一种新颖的任务整合方法，适用于一个分类任务和一个回归任务，尽管在仅有微弱相关性的情况下任务异构性不可忽视。该方法用于对检测到的目标（占据整个图像帧）进行分类，并对一个连续属性变量（针对某一目标类别的实例）进行回归建模，这是科学与工程领域中的一个关键用例。FastCAR 采用了一种标签转换方法，该方法可适配于仅使用单任务回归网络架构。在学习两项任务的综合考量下（分类准确率为 99.54%，回归平均绝对百分比误差为 2.4%），FastCAR 的表现优于在架构和损失加权方案层面进行参数化的传统 MTL 模型族。实验使用了由我们贡献的“Advanced Steel Property Dataset”数据集 (https://github.com/fastcandr/AdvancedSteel-Property-Dataset)。该数据集包含 4536 张 224x224 像素的图像，标注有离散的目标类别及其可取连续值的硬度属性。我们提出的用于任务整合的 FastCAR 方法实现了训练时间效率（快 2.52 倍）并降低了推理延迟（快 55%），优于基准 MTL 网络。
引用
@article{arxiv.2506.00208,
title = {FastCAR: Fast Classification And Regression for Task Consolidation in Multi-Task Learning to Model a Continuous Property Variable of Detected Object Class},
author = {Anoop Kini and Andreas Jansche and Timo Bernthaler and Gerhard Schneider},
journal= {arXiv preprint arXiv:2506.00208},
year = {2025}
}