首页 / 更多教程 / Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics 论文阅读笔记

Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics 论文阅读笔记

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics 论文阅读笔记，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含698字，纯文字阅读大概需要1分钟。

内容图文

论文地址：https://arxiv.org/abs/1705.07115
code：https://github.com/yaringal/multi-task-learning-example

摘要：讲了多任务的好处，多任务的性能很依赖每个单任务loss的权重。网格搜索很耗资源，本文提出了一个方法，在训练过程利用每个任务的同方差不确定性(homoscedastic uncertainty of each task)来确定loss-weight。本文实验的任务：深度估计，语义分割，实例分割。

介绍：优化每个任务的权重，依赖于每个任务的尺度（loss尺度？）和任务的噪声？

本文的贡献点

  1. 提出一种新颖而根据规则的多任务损失，可以利用不同任务的同方差不确定性来同时学习具有不同量级的分类和回归loss。
  2. 搞了一个统一的框架，来实现语义分割，实例分割和深度估计。
  3. 发现了loss weight在多任务训练中的重要性，以及在多任务训练中，怎么做才能获得和单任务相当的性能。

内容总结

以上是互联网集市为您收集整理的Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics 论文阅读笔记全部内容，希望文章能够帮你解决Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics 论文阅读笔记所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/998930.html

来源：【匿名】