基于层次任务标记的多任务标签发现：用于部分标注稠密预测
计算机视觉与模式识别
2025-08-01 v2
摘要
近年来，针对部分标注标签数据的多任务稠密预测同步学习已成为重要研究领域。以往的工作主要聚焦于利用跨任务关系或进行对抗训练以获得额外正则化，虽然取得了令人期待的性能提升，但仍存在缺乏像素级监督和重型映射网络额外训练的问题。为有效解决这一挑战，我们提出一种新方法，通过优化一组紧凑可学习的层次任务标记（包括全局和细粒度标记），在特征和预测级别发现一致的像素级监督信号。具体而言，全局任务标记旨在在全局语境中实现有效的跨任务特征交互。随后，为每个任务学习一组细粒度任务特定空间标记，这些标记从相应的全局任务标记中生成，并嵌入到与每个任务特定特征图进行稠密交互。所学到的全局和局部细粒度任务标记进一步用于发现不同粒度水平上的伪任务特定稠密标签，并且可用于直接监督多任务稠密预测框架的学习。在挑战性的 NYUD-v2、Cityscapes 和 PASCAL Context 数据集上进行的大量实验结果表明，我们的方法在部分标注的多任务稠密预测方面显著优于现有领先方法。
引用
@article{arxiv.2411.18823,
title = {Multi-Task Label Discovery via Hierarchical Task Tokens for Partially Annotated Dense Predictions},
author = {Jingdong Zhang and Hanrong Ye and Xin Li and Wenping Wang and Dan Xu},
journal= {arXiv preprint arXiv:2411.18823},
year = {2025}
}