利用不确定性加权损失的多任务学习：面向场景几何与语义
计算机视觉与模式识别
2018-04-25 v3
摘要
许多深度学习应用受益于包含多个回归与分类目标的多任务学习。本文观察到，此类系统的性能在很大程度上取决于各任务损失之间的相对权重。手动调整这些权重是一个困难且昂贵的过程，使得多任务学习在实际应用中难以推广。我们提出了一种有原则的多任务深度学习方法，通过考虑每个任务的同方差不确定性来加权多个损失函数。这使我们能够在分类和回归设定中同时学习具有不同单位或尺度的多种量。我们展示了模型从单目输入图像中学习逐像素深度回归、语义分割和实例分割。或许令人惊讶的是，我们证明模型能够学习多任务权重，并且性能优于在每个任务上单独训练的独立模型。
引用
@article{arxiv.1705.07115,
title = {Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics},
author = {Alex Kendall and Yarin Gal and Roberto Cipolla},
journal= {arXiv preprint arXiv:1705.07115},
year = {2018}
}
备注
CVPR 2018