提出一种新的多任务学习架构，即跨连接卷积神经网络，它通过卷积层连接单任务 CNN，在不同的数据集上实现检测和分割，并在行人和野生鸟类数据集上进行实验，表明该方法可以学习通用表征并显著提高检测性能。

May, 2018

通过在视觉数据集中引入小部分的附加任务，可以提高深度多任务卷积神经网络的性能，证实了辅助任务在加速训练和优化最终结果方面的有效性

May, 2018

该研究介绍了一种多任务学习架构，通过相关性引导的注意力和自我关注增强平均表示学习，以通过 2D 语义分割和几何相关的任务来综合理解复杂场景，并在室内和室外数据集上展示了其好处。

Jun, 2022

本文提出了一种使用多个关键点选择和转化特征点来优化视觉目标检测器的方法，经过与 Clssification 和 Localisation 模型的联合优化，该模型在多个基准测试中都得到了显著的性能提升。

Dec, 2019

本文提出了一种基于注意力机制的卷积神经网络方法，使用一握多激励模块学习每个输入图像的多个注意区域特征，并在度量学习框架中应用多注意力多类约束，通过推拉相同 / 不同注意力类别的特征以实现多个目标区域的协调，并引入 Dogs-in-the-Wild 数据集以促进细粒度图像识别研究。

Jun, 2018

本文介绍了一种新的实时多任务网络，包括单目三维物体检测、语义分割和密集深度估计，通过引入任务自适应注意力生成器来解决多任务学习中普遍存在的负迁移问题，并利用硬参数共享方法提高效率，能够同时处理多个任务，尤其是三维物体检测，并保持实时处理速度。经过在 Cityscapes-3D 数据集上的严格优化和深入剖析研究，我们的网络始终优于各种基准模型。

Mar, 2024

本文介绍了一种基于 LiDAR 的多任务网络 LidarMultiNet，它将 LiDAR 的三个主要感知任务：3D 物体检测，语义分割和全景分割统一起来。通过使用全局上下文汇聚（GCP）模块提取全局上下文特征，任务特定的头被添加到网络的顶部执行三种任务。LidarMultiNet 在 Waymo Open Dataset 和 nuScenes 数据集 上进行了广泛的测试，表明主要 LiDAR 感知任务可以在单个强网络中统一，并在既有 API 上取得最佳结果。

Sep, 2022

本文提出了一种以紧凑的多任务深度学习架构为设计目标的方法，使用一种推动类似任务聚集的新标准在训练期间贪心地扩大网络，以优化多任务学习的泛化性能并在人员属性分类任务中取得最先进的精度。

Nov, 2016

该研究通过将基础卷积神经网络（CNN）与多个完全卷积神经网络（FCN）相结合，形成多尺度网络，从而实现对包括不同尺寸和位置的多个对象的检测，结合 MI 机制，处理多个对象和位置的歧义，生成视频描述。该架构可有效地支持自然语言生成和视频处理任务。

May, 2015

本研究提出了基于多流多任务网络的技术来解决自动驾驶领域中的多个视觉感知任务，通过利用先前帧的特征表示实现深度学习的联合分割、深度和运动预测，并采用几何平均数作为任务损失的替代方案，可以更好地处理不同任务收敛速度之间的差异，实验结果表明，这种方法优于现有的多任务学习解决方案。

Apr, 2019