申请/专利权人：江西理工大学

申请日：2024-04-15

公开（公告）日：2024-06-25

公开（公告）号：CN118247635A

主分类号：G06V10/82

分类号：G06V10/82;G06V10/80;G06V10/44;G06V10/52;G06N3/045;G06N3/0464;G06N3/096

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：本发明公开了一种用于密集预测任务的分层多任务学习方法，旨在用多任务学习方法增强密集预测任务的性能。本发明以语义分割和显著性检测任务的联合学习为例描述网络的学习过程。当前的多任务学习方法主要存在两个问题：在多尺度网络中，每个任务对不同尺度特征的亲和力不同，直接将不同尺度特征上采样后在通道维度拼接会给网络带来大量噪声；不同任务间信息共享时噪声信息会造成负迁移现象。针对问题一，设计任务自适应多尺度特征融合模块TAF，其根据任务不同，自适应选取对当前任务最有效的特征尺度组合。针对问题二，设计非对称信息对比模块AICM，其将不同任务的特征分为共享部分和差异部分，对这两部分特征分别处理，可以有效缓解负迁移现象，加速网络进程。本发明的设计在两个数据集上展示了卓越的优越性，并强调了分层解耦方法的优势。

主权项：1.一种用于密集预测任务的分层多任务学习方法，具体步骤如下：S1.采用多尺度主干网络编码器对网络输入图像提取多尺度基本特征和S2.设计特征传播和连接模块，利用特征传播和连接模块将S1提取的多尺度基本特征进行单尺度级别信息交换，使任务之间共享基础特征和初始语义上下文信息；S3.设计任务自适应多尺度特征融合模块，利用自适应多尺度特征融合模块将S2增强的多尺度特征以不同的权重组合进行不同尺度间特征融合，针对不同尺度i的任务特征和网络通过自适应学习到两组不同权重以进行不同尺度间信息的融合，丰富每个任务的特征表示，除此之外，随着网络的加深，细节信息被逐渐稀释，将S1提取的浅层信息经过3×3卷积特征对齐后与自适应多尺度特征融合模块输出特征Fsem和Fsal在通道维度拼接进行细节特征的增强；S4.设计非对称信息对比模块，利用非对称信息对比模块将S3过滤和增强后的特征将不同任务之间的信息分为共享信息和差异信息，然后将差异特征分别使用SE进行处理，进一步细化对当前任务有用的特征，有效过滤网络中的噪声信息，再将输入此模块的原始特征和被SE过滤的差异信息相加，得到此模块的输出特征；最后，经过终端预测头，不同任务的特征得到细化和预测结果的输出。

全文数据：

权利要求：

百度查询： 江西理工大学 一种用于密集预测任务的分层多任务学习方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD