基于固定翼无人机影像的多任务学习用于二维/三维城市建模
计算机视觉与模式识别
2021-09-03 v1 人工智能
摘要
人工神经网络中的单任务学习能够很好地学习模型，因而迁移知识所带来的收益变得有限。就此而言，当任务数量增加（例如语义分割、全景分割、单目深度估计与三维点云）时，任务间可能存在重复信息，且提升变得不那么显著。多任务学习已成为解决知识迁移问题的方法，并且是一种涉及多个相关任务、各任务训练数据可能有限的场景理解途径。多任务学习通过利用相关任务训练数据中所含的域特定信息来改善泛化能力。在基础设施开发、交通监测、智能三维城市与变化检测等城市管理应用中，需要基于语义、实例与全景标注以及单目深度估计的自动化多任务数据分析以实现场景理解，从而生成精确的城市模型。本研究提出了一个从固定翼无人机影像进行多任务学习方法、用于二维/三维城市建模的性能评估通用框架。
引用
@article{arxiv.2109.00918,
title = {Multi-task learning from fixed-wing UAV images for 2D/3D city modeling},
author = {Mohammad R. Bayanlou and Mehdi Khoshboresh-Masouleh},
journal= {arXiv preprint arXiv:2109.00918},
year = {2021}
}