Jan, 2024

EMA-Net：用于稠密场景预测的高效多任务亲和学习

PDF
TL;DR通过引入 Efficient Multitask Affinity Learning Network (EMA-Net)，本文提出了一种轻量级框架用于增强多任务网络的任务改进能力，其关键创新点在于使用 Cross-Task Affinity Learning (CTAL) 模块来有效捕捉本地、全局和跨任务交互，并且能够进行信息损失最小化的参数高效分组卷积操作。实验结果表明，在卷积神经网络的解码器重点模型中，我们取得了最先进的多任务学习性能，同时使用了大大较少的模型参数。
发现论文，激发创造
  • 潜在多任务架构学习

    本文提出了一种基于潜在多任务体系结构的方法，该方法可以在 OntoNotes 5.0 的人造数据和数据中的多种领域和四种不同的任务中，比以往任何一种学习潜在体系结构的多任务问题方法都表现得更优秀，可以实现高达 15% 的平均误差降低率。

    May, 2017

  • 密集预测任务的多任务学习：综述

    本文综述了当前深度学习在计算机视觉中的多任务学习领域的最新研究进展，主要关注密集预测任务，从网络架构和优化方法两个角度进行了阐述和总结，旨在探讨多任务共享表示学习的优势和局限性。

    Apr, 2020

  • AdaMTL: 面向高效多任务学习的自适应输入依赖推断

    本文介绍了一种自适应框架 AdaMTL，可以降低多任务学习模型的总体计算复杂度和推断延迟，同时提高了准确性和效率，相关代码已公开发布。

    Apr, 2023

  • 端到端注意力多任务学习

    本文提出了一种新的多任务学习架构，其中包含了任务特定的特征级别的注意力学习，称之为 Multi-Task Attention Network (MTAN)，它可以在任何前馈神经网络的基础上进行端到端训练，本文在图像分类任务和图像到图像预测上进行了验证，发现相对于现有方法，该架构达到了最先进的水平，而且对多任务损失函数的各种加权方案也不敏感。

    Mar, 2018

  • 多阶段转化估计的自适应模式提取多任务学习

    本文提出了自适应模式提取多任务框架 (APEM)，该框架采用 DeepAuto Group Transformer 模块和明确的模式选择器，以提高多任务学习的性能和灵活性，通过公共和实际金融服务数据集的实证评估表明，APEM 优于现有的多任务学习方法， 更重要的是，我们探讨了 APEM 的在线性能在实际工业级推荐方案中的应用。

    Jan, 2023

  • 自适应激活网络和功能正则化用于高效灵活深度多任务学习

    本文提出了一种新的深度学习模型 Task Adaptive Activation Network (TAAN), 它可以自动学习适用于多任务学习的最佳网络架构，通过两种功能规范化方法，证明了 TAAN 和规范化方法的性能提高。

    Nov, 2019

  • 多任务学习中的分布匹配：在人脸及其他任务上的大规模研究

    挑战现有多任务学习 (MTL) 框架，提出新方法通过分布匹配实现任务间的知识交流，证明少量注释或非重叠注释情况下的 MTL 仍能成功，且在各个领域的案例研究中均带来了较大的性能提升。

    Jan, 2024

  • 基于深度协同学习的多任务学习及其在面部关键点检测中的应用

    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

  • 跨任务注意力网络：改进医学图像应用中的多任务学习

    本研究提出了一种新颖的基于注意力的多任务学习框架，通过跨任务的交互作用更好地利用了医学影像任务中的跨任务相互作用，从细粒度级别到图像级别的预测，有效提高了医学影像任务的准确性。

    Sep, 2023

  • 自动化多任务机器学习中的任务分组通过任务关联性预测

    我们提出了一个基于预测器驱动的搜索方法，用于任务分组，旨在最小化多任务学习的训练次数，并展示了相较于现有基准方法，我们的方法在四个基准数据集上可以找到更好的任务分组。

    Oct, 2023