Mar, 2024

FastCAR: 基于任务综合的快速分类与回归多任务学习，用于对象类的连续属性建模

PDF
TL;DRFastCAR 是一种新颖的多任务学习方法，用于分类和回归任务，在任务异质性和微妙相关性下处理对象分类和连续属性变量回归，通过标签转换方法和单任务回归网络架构，在两个任务的联合学习中超越传统的 MTL 模型，达到 99.54% 的分类精度和 2.3% 的回归平均绝对百分比误差，并在 4536 张 224x224 像素的图像上使用 Advanced Steel Property 数据集进行实验证明 FastCAR 实现了降低延迟和提高时间效率。
发现论文，激发创造
  • CAR: 语义分割的类别感知正则化

    本文提出了一种基于类别感知的正则化方法，通过优化特征学习过程中的类内方差和类间距离来更有效地利用类别信息，该方法可以应用于大部分现有的分割模型，并且可以在不增加推理开销的情况下显著提高它们的准确性。

    Mar, 2022

  • MT-HCCAR：基于多任务深度学习的云属性检索中的分层分类和注意力回归

    本论文提出了 MT-HCCAR 模型，通过多任务学习同时处理云掩蔽、云相分类和云光学厚度（COT）预测，并结合层次分类网络（HC）和分类辅助注意力回归网络（CAR），提高云标签和 COT 预测的精度和稳健性。通过 K 折交叉验证、一个标准误差规则和两个引入的性能评分，提出了一种综合模型选择方法，选择最优模型在 OCI、VIIRS 和 ABI 三个模拟卫星数据集上的实验结果表明 MT-HCCAR 模型优越性和广泛适用性。

    Jan, 2024

  • 大规模任务高效可扩展的多任务回归

    提出一种名为 Convex Clustering Multi-Task regression Learning (CCMTL) 的算法，通过在预测模型的 k 近邻图上与凸聚类相结合，并使用新提出的优化方法有效地解决底层凸问题，使得其能够在包含大量任务的问题中实现准确性、高效性和线性可扩展性，并在真实世界和合成数据集上优于 7 种现有的 state-of-the-art 多任务学习方法。

    Nov, 2018

  • 对象实例的持续学习

    该研究提出使用基于度量学习的连续实例学习方法，解决传统的目标分类任务中遇到的实例辨别问题，并通过规范化度量学习和合成数据传输等方法改进该技术，实验结果表明这些方法可有效减少遗忘现象。

    Apr, 2020

  • 在线持续学习在图像分类中的实证研究

    该研究论述了在线持续学习图像分类问题，其中的任务可能包括新类别或数据非稳态。因为不同的实验设置以及不同的任务类别可能需要不同的方法，作者系统地比较了现有的 MIR，iCARL 和 GDumb 等方法，并评估了七个方法，以了解简单而有效的技巧对性能的影响，最终得出了 MIR 是一种强大而通用的在线持续学习方法。

    Jan, 2021

  • 通过一致性分配随机分区的视图进行表示学习

    CARP 是一种无监督聚类方法，用于学习视觉特征的表示学习。CARP 通过随机划分原型进行端到端在线学习，使用梯度下降优化新的预训练任务，提高模型的一致性和稳定性，并证明其在多个下游任务上的表现优于其他自监督方法。

    Oct, 2023

  • 任务路由的多任务学习

    本文提出一种名为任务路由的多任务学习方法，应用于卷积层激活上的条件特征转换，实现更高效的多任务训练，在单个模型中成功适配了数百个分类任务，并在 5 个数据集上验证了其性能。

    Mar, 2019

  • 基于偏差 - 方差分析的可解释性目标特征聚合多任务学习

    提出了一种多任务学习方法，该方法基于任务聚类和特征变换，通过目标和特征的两阶段迭代聚合来提高回归模型的泛化能力，并在合成数据和真实世界的数据集上进行了验证。

    Jun, 2024

  • 自适应分类标准在任务增量连续学习中缓解灾难性遗忘

    本文介绍了一种用于持续学习的有监督对比学习框架，旨在通过保存少量的数据和适应的分类准则来解决在学习新任务时可能产生的灾难性遗忘问题，实验表明其表现优异。

    May, 2023

  • 灵活任务聚类的凸多任务学习

    本文提出了一种基于特征层次的多任务学习模型，实现了对任务关系的探索，并对合成数据和真实世界数据进行了实验验证，结果表明该模型的准确性在各种任务关系程度下表现最佳，具有较高的应用价值。

    Jun, 2012