本文提出了一种基于两阶段学习的方法，通过使用全卷积网络来找到最具区分性的部分，再利用条件反馈抑制最显著的部分以找到次重要的部分，最终实现对整个目标区域的捕捉。采用该训练方案可以有效解决弱监督语义分割、显著区域检测和目标位置预测等任务中只关注图像中最重要部分的问题。

Aug, 2017

本文提出了一种基于卷积神经网络的联合学习方法，以在语义相似的图像中获得稠密对应和发现对象地标，在解决训练数据不足方面取得了显著成效，并引入了概率学习方法以提高框架的稳健性，该方法在语义匹配和地标检测的多个标准基准测试中取得了最新的最佳表现。

Oct, 2019

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

多任务密集预测的研究中，我们通过引入 Segment Anything Model (SAM) 和基于高斯分布的区域表示，解决了部分标注数据、局部对齐和跨任务关系等挑战，提高了在部分监督多任务密集预测场景中的性能。

Mar, 2024

研究多种自监督学习任务相结合的方法，用于训练单一的视觉表征，并在 ImageNet 分类、PASCAL VOC 检测和 NYU 深度预测上获得了优秀的结果。

Aug, 2017

本文提出利用多任务学习中的软参数共享机制，在卷积神经网络中加入侧向转换块，并使用跳接连接的方式提取各深度的任务特定特征，从而在面部关键点检测等相关任务中取得更好的精度和深度特定影响的知识共享效果。

Oct, 2017

该论文介绍了一种新的非参数位姿图模型来处理自主编图和数据关联问题，实现了同时进行数据关联和地图建立的能力，相较于只考虑其中一个问题，其性能显著提高。

Apr, 2017

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

本研究提出了一个堆叠多任务网络，在保持连通性正确性的同时，端到端地分割道路。在网络中，引入了全局感知模块来增强像素级道路特征表示并消除空中图像的干扰背景；增加了与道路方向相关的连通性任务，以确保网络保持道路片段的图级关系。我们还开发了一种堆叠多头结构，以共同学习和有效利用连通性学习和分割学习之间的相互信息。我们在三个公共遥感数据集上评估了所提出网络的性能。实验结果表明，该网络在道路分割准确性和连通性维护方面优于现有方法。

Dec, 2023

本文提出了一种用于从图像中快速定位显着对象并基于定位精确分割对象的方法，该方法采用多层卷积神经网络框架，并使用潜变量在联合优化方面进行协作，取得了比其他最先进的方法更高的准确性和效率。

Feb, 2015