关键词multi-task dense prediction
搜索结果 - 5
- CVPR多任务密集预测通过低秩专家混合
提出了一种名为 MLoRE 的新型解码器集中方法,用于多任务密集预测,通过添加一个通用的卷积路径到原始 MoE 结构中以及利用低秩卷积格式的专家网络,以建模全局任务关系并增加表示能力,在多个密集任务学习中实现了优越性能。
- 区域感知分布对比:一种新的多任务部分监督学习方法
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。
- 密集预测的多任务学习中特征交互的重新思考
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 - 基于提示的多任务稠密预测 Transformer
本文介绍了一种简单且轻量级的任务条件模型,名为 Prompt Guided Transformer (PGT),通过设计一个 Prompt-conditioned Transformer 块,在自注意机制中引入任务特定的提示,以实现全局依赖 - 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。