【技术实现步骤摘要】
一种基于动态卷积的多任务学习的方法及系统
[0001]本专利技术涉及人工智能
，并且更具体地，涉及一种基于动态卷积的多任务学习的方法及系统。
[0002]背景
[0003]多任务学习(Multi
‑
Task Learning,MTL)是一种归纳迁移机制，主要目标是利用隐含在多个相关任务的训练信号中的特定领域信息来提高泛化能力，多任务学习通过使用共享表示并行训练多个任务来完成这一目标。一言以蔽之，多任务学习在学习一个问题的同时，可以通过使用共享表示来获得其他相关问题的知识。归纳迁移是一种专注于将解决一个问题的知识应用到相关的问题的方法，从而提高学习的效率。比如，学习行走时掌握的能力可以帮助学会跑，学习识别椅子的知识可以用到识别桌子的学习，我们可以在相关的学习任务之间迁移通用的知识。目前多任务学习方法大致可以总结为两类，一是不同任务之间共享相同的参数(common parameter)，二是挖掘不同任务之间隐藏的共有数据特征(latent feature)。然而不论是哪种方法，与单任务相比，在学习共享表示...
【技术保护点】
【技术特征摘要】
1.一种基于动态卷积的多任务学习的方法，其特征在于，包括：将图片数据输入到特征共享网络中，利用动态卷积提取所述图片数据针对所有任务的共享特征图；将所述共享特征图分别输入到特定任务网络中，根据语义分割网络以及深度估计网络，提取所述特征图的语义分割特征以及深度估计特征；在语义分割网络以及深度估计网络中，根据空洞空间卷积池化金字塔模型以及注意力模块对所述共享特征图进行处理，确定特定任务特征，所述特定任务特征用于计算所述特定任务的任务结果；根据共享特征提取网络，利用随机梯度下降算法对所述网络进行训练，获得多任务学习模型；将待测试的图像数据输入所述多任务学习模型进行测试。2.根据权利要求1所述的方法，其特征在于，在语义分割网络以及深度估计网络中，根据空洞空间卷积池化金字塔模型以及注意力模块对所述共享特征图进行处理，确定特定任务特征，包括：在语义分割网络以及深度估计网络中，根据空洞空间卷积池化金字塔模型，生成不同尺度的特征图，所述不同尺度的特征图由四个具有不同扩张率的平行的空洞卷积生成，每个特征图都有不同的感受野；在空洞卷积层之后，由一个卷积核大小为1*1，步长为1的卷积层将不同尺度的特征图拼接在一起，得到兼顾不同粒度特征的特定任务特征。3.根据权利要求2所述的方法，其特征在于，在语义分割网络以及深度估计网络中，根据空洞空间卷积池化金字塔模型以及注意力模块对所述共享特征图进行处理，确定特定任务特征，还包括：将空洞空间卷积池化金字塔模型处理之后得到的不同尺度的特征图，输入到注意力模块；根据所述注意力模块，学习每一个特征通道的重要程度，获得不同通道的权重，并根据所述权重对特征图进行加权，确定加权后的特征图；所述注意力模块包含一个全局平均池化层，两个全连接层和Sigmoid层。所述注意力模块可以自动学习每一个特征通道的重要程度，获得不同通道的权重，并根据所述权重对特征图进行加权，得到最终的特征图。4.根据权利要求1所述的方法，其特征在于，根据共享特征提取网络，利用随机梯度下降算法对所述网络进行训练，获得多任务学习模型，包括：将所述语义分割特征作为共享特征提取网络，随机初始化所述共享特征提取网络，利用随机梯度下降算法对所述共享特征提取到的网络进行训练；设定学习率，根据语义分割网络以及深度估计网络，确定场景分割任务的损失函数和深度估计任务的损失函数。通过贝叶斯框架，根据场景分割任务的损失函数分量的当前大小确定场景分割任务的损失函数的权重，根据深度估计任务的损失函数分量当前的大小确定深度估计任务的损失函数的权重；根据所述场景分割任务的损失函数的权重以及所述深度估计任务的损失函数的权重，
确定多任务学习模型。5.根据权利要求1所述的方法，其特征在于，所述共享特征包括针对语义分割和深度估计任务的共享特征。6.一种基于动态卷积的多任务学习的...
【专利技术属性】
技术研发人员：魏志强，刘怡彤，黄磊，纪筱鹏，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。