Dec, 2023

密集预测的多任务学习中特征交互的重新思考

PDF
TL;DR通过学习综合的中间特征，将任务通用特征和任务特定特征相结合，提出了一种新的桥特征中心交互方法，通过桥特征生成器生成强桥特征，利用任务模式传播确保高质量的任务交互参与者，再利用任务特征细化器从桥特征中提炼知识来改进最终的任务预测结果。在实验中，通过在 NYUD-v2 和 PASCAL Context 基准数据集上进行大量实验，表明所提出的架构在同时推动不同的密集预测任务方面具有效力和能力。
multi-task dense predictionencoder-decoder structurebridge featurebridge-feature-centric interactiontask-specific features
发现论文，激发创造
  • 利用表示相似性引导的多任务特征共享来抑制任务干扰

    本研究提出一种渐进式解码融合（PDF）方法，通过基于任务表示相似性逐步结合任务解码器，缓解任务干扰，同时利用解码器共享的归纳偏差，提高多任务网络的泛化能力和对抗攻击鲁棒性。

    Aug, 2022

  • 多任务视觉感知的动态特征交互框架

    本研究提出了一种高效的统一框架 D2BNet，该框架可以同时解决多个常见的感知任务，如实例分割、语义分割、单目 3D 检测和深度估计，并在 nuScenes 和 Cityscapes 等数据集中实现了与以往作品相当的结果和最佳结果。

    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

  • TaskExpert：使用记忆的多任务专家混合动态组装多任务表示

    多任务学习中，通过使用多个专家网络对特征进行解耦，动态解码任务特定特征，并利用多任务特征内存实现长期建模，从而提高视觉场景理解任务的性能。

    Jul, 2023

  • 多任务学习与多查询变换器用于密集预测

    本文提出了一种名为 “Multi-Query Transformer” 的多任务模型，利用多个任务相关的查询来进行跨任务推理，通过查询在多个任务之间建立联系，使得跨任务交互变得简单高效，并在两个密集预测数据集（NYUD-v2 和 PASCAL-Context）上取得了最优效果。

    May, 2022

  • InvPT++：倒立金字塔多任务变压器用于视觉场景理解

    提出了一个可以在全局情境下建立不同任务的空间特征之间交互的倒金字塔多任务转换器，以及两种跨尺度自注意模块，以有效地促进跨任务交互。

    Jun, 2023

  • 使用上下文感知特征表示学习提高 CTR 预测

    本文中提出的特征精炼网络 (FRNet) 可在不同上下文中学习以比特级为单位的特征表示，以提高 CTR 预测精度。FRNet 包括信息抽取单元 (IEU) 和互补选择门 (CSGate) 两个关键组成部分，能兼容现有的 CTR 方法，并通过实验验证了其有效性、效率和适用性。

    Apr, 2022

  • 推荐系统中的分块特征交互

    该研究提出了一种称为块状特征交互（BFI）的新方法，将特征交互过程分成较小的块，以显着降低内存占用和计算负担，并在四个变体（分别为 P、Q、T、S）中进行了实证比较，证明该算法可以显著减少计算开销和参数数量，而且具有与标准 DCNv2 近似的准确性，为提高特征交互效率提供了实用解决方案。

    Jun, 2023

  • 通过桥接神经网络进行任务驱动的公共表示学习

    本文介绍了一种基于深度学习的新型方法 —— 桥接神经网络（BNN），用于针对特定任务挖掘两个给定数据源之间的潜在关系。该方法采用两个卷积神经网络将两个数据源投影到特征空间中，学习特定任务所需的所需的共同表示。训练目标是介绍人工负样本的能力，使得小批量训练的抗性等价于最大化两个数据源的总相关性，并通过理论分析进行了验证。在配对、典型相关分析、迁移学习和重构等任务上的实验表明，BNN 具有最先进的性能，可能为共同表示学习方面带来新的见解。

    Jun, 2019

  • 用于人员再识别的分层双向特征感知网络

    提出了一种名为 HBFP-Net 的模型，使用低秩双线性池化模型来建模跨层级特征对的相关映射，并利用双向特征感知模块来丰富高层特征的注意力区域，成功提高了行人再识别的性能。

    Aug, 2020