MultiNet++：用于多任务学习的多流特征聚合与几何损失策略
计算机视觉与模式识别
2019-04-23 v2
摘要
多任务学习常用于自动驾驶中以解决各种视觉感知任务。它在性能和计算复杂度方面均带来显著益处。当前关于多任务学习网络的工作聚焦于处理单张输入图像，且尚无已知处理图像序列的多任务学习实现。在这项工作中，我们提出了一种多流多任务网络，以利用视频序列中前一帧的特征表示进行分割、深度和运动的联合学习。当前与前一编码器的权重共享，从而可在无额外计算的情况下利用前一帧计算的特征。此外，我们提出使用任务损失的几何平均作为任务损失加权平均的更好替代。所提出的损失函数有助于更好地处理不同任务收敛速率的差异。在KITTI、Cityscapes和SYNTHIA数据集上的实验结果表明，所提策略优于各种现有的多任务学习方案。
引用
@article{arxiv.1904.08492,
title = {MultiNet++: Multi-Stream Feature Aggregation and Geometric Loss Strategy for Multi-Task Learning},
author = {Sumanth Chennupati and Ganesh Sistu and Senthil Yogamani and Samir A Rawashdeh},
journal= {arXiv preprint arXiv:1904.08492},
year = {2019}
}
备注
Accepted for CVPR 2019 Workshop on Autonomous Driving (WAD). Demo Video can be accessed at https://youtu.be/E378PzLq7lQ