FastCAR：基于任务整合的快速分类与回归多任务学习，用于对象类的连续属性变量建模
计算机视觉与模式识别
2025-06-03 v2
摘要
FastCAR 是一种针对分类任务和回归任务的任务整合方法，尽管两者在任务异构性和仅略微相关性方面存在挑战。这一方法解决对象分类和连续属性变量回归的问题，这是科学和工程中的关键用例。FastCAR涉及一种标签转换方法，可与单任务回归网络架构配合使用。在综合考虑两项任务的学习情况下，FastCAR在表现上超过了传统多任务模型家族，后者在架构和损失加权方案的图景中进行参数化。学习到的分类准确率为99.54%，回归平均绝对百分比误差为2.4%。实验使用我们贡献的Advanced Steel Property数据集 https://github.com/fastcandr/Advanced-Steel-Property-Dataset 进行测试。该数据集包含4536张224x224像素的图像，标注了对象类别和采 hardness 属性（取连续值）。通过我们设计的方法，FastCAR实现了降低延迟和时间效率。
引用
@article{arxiv.2403.17926,
title = {FastCAR: Fast Classification And Regression Multi-Task Learning via Task Consolidation for Modelling a Continuous Property Variable of Object Classes},
author = {Anoop Kini and Andreas Jansche and Timo Bernthaler and Gerhard Schneider},
journal= {arXiv preprint arXiv:2403.17926},
year = {2025}
}