通过跨任务一致性实现鲁棒学习

CVPRJun, 2020

Robust Learning Through Cross-Task Consistency

Amir Zamir, Alexander Sax, Teresa Yeo, Oğuzhan Kar, Nikhil Cheerla...

TL;DR通过构建任意任务图的推理路径不变性以及利用跨任务一致性进行学习，可以更准确地预测和更好地泛化到分布之外的输入，并获得称为一致性能量的无监督度量，可作为无监督的置信度量和检测分布之外的输入的指标。

Abstract

visual perception entails solving a wide set of tasks, e.g., object detection, depth estimation, etc. The predictions made for multiple tasks from the same image are not independent, and therefore, are expected to be consistent. We propose a broadly applicable and fully computational m

visual perception cross-task consistency learning unsupervised quantity out-of-distribution inputs

发现论文，激发创造

在统一的视觉语言模型中发现和解决跨任务不一致性

本论文旨在解决多任务模型在不同输出模态中的一致性问题，通过引入 COCOCON 基准数据集和使用一种基于排名相关性的辅助目标来衡量模型在多任务中的一致性，旨在提高模型的一致性，同时保持模型原有的精度。

Mar, 2023

带交叉一致性训练的半监督语义分割

本文提出了一种新型的基于交叉一致性的半监督语义分割方法，其中共享编码器和主解码器进行有监督训练，利用无标签数据来提高编码器的表示，该方法简单易懂，并且在多个数据集上实现了最先进的结果。

Mar, 2020

光流估计的一致性约束

本论文提出了新的一致性策略，包括自监督学习和半监督学习，以提高基于像素级运动描述能力，并在 KITTI-2015 景流基准测试中达到卓越的结果，实现前景准确性最佳的成果，其中且仅使用单眼图像输入。

Apr, 2022

主动学习多任务一致性

本文提出了一种新的基于一致性约束的多任务主动学习策略，旨在选择对目标检测和语义分割都具有信息量的样本，实验证明该方法在 nuImages 和 A9 数据集上性能优于现有方法。

Jun, 2023

对比多任务密集预测

本文提出了一种基于特征对比一致性的多任务对比正则化方法，以解决多任务密集预测的跨任务交互建模问题，并在两个数据集上进行了大量实验，展示了该方法在密集预测方面的优越表现，创立了新的最先进性能。

Jul, 2023

带有跨视频循环一致性的图像表示对比学习

本文研究了自监督表示学习的核心方法之一 —— 图像内部不变性学习，提出了一种新的基于循环一致性的对比学习方法，探索了跨视频关系，实现了图像表示的有效学习，并在多个下游任务中获得了显著的改进。

May, 2021

Taskology: 任务关系的大规模利用

本文介绍一种基于一致性损失的计算机视觉多任务联合训练框架，充分利用多任务之间的内在关联性，实现对多个关联任务的同时训练及性能提升，并且减少数据标注的需求，支持无监督学习和模拟数据训练。测试结果表明，该框架在深度 / 法向量预测、语义分割、3D 运动 / 自身运动估计、点云物体跟踪和 3D 检测等任务上，皆有显著提升。

May, 2020

半监督医学图像分割中的自我感知和跨样本原型学习

本文提出了 SCP-Net 方法，利用多个输入源提高一致性学习中预测的多样性，结合半监督方法和自我感知一致性学习方法，提高伪标签的紧致性和可靠性。实验表明，SCP-Net 可以优于其他半监督分割方法，相比于有限的有监督训练，可以显著提高性能。

May, 2023

带有跨输入一致性的自监督多目标跟踪

本文提出了一种自监督学习方法，用于训练仅提供无标签视频的多目标跟踪模型，通过交叉输入一致性的方法，在未经过监督的情况下优于多种经过监督的方法。

Nov, 2021

通过三维引导循环一致性学习密集对应关系

本文提出利用跨实例视觉一致性作为监督信息，通过建立一个包含 4 个环（4-cycle）的人工数据集提高深度学习在实现物体实例间的稠密视觉对应中的表现，并在测试阶段显示出优于先前相关任务的最新成果。

Apr, 2016