【技术实现步骤摘要】
梯度匀质化的点云多任务融合方法
[0001]本专利技术涉及一种梯度匀质化的点云多任务融合方法,属于点云分类
、
检测
、
分割多任务融合领域
。
技术介绍
[0002]随着深度学习的进步,现代架构在理解
3D
点云方面有了巨大的改进,例如点云分类,分割和检测等
。
然而,这些网络在处理大量任务时效率很低,因为它们通常只能完成其中一个任务
。
即使并行计算可以解决这个问题,内存占用和存储成本也会随着网络数量的增加而线性增长
[0003]多任务学习解决了这一难题
。
解决这种多任务学习问题的一种方法是在所有任务上联合训练一个网络,其目的是找到一个跨任务的共享结构,从而比单独解决任务获得更高的效率和性能
。
然而,一次学习多个任务的难点在于梯度优化问题,有时会导致比单独学习任务更低的网络性能
。
如果能够有效地解决多任务学习的优化问题,就能够在不牺牲最终性能的情况下真正实现多任务学习的优势
。
[0004]在多任务模型的训练过程中,各种任务的梯度大小和方向通过反向传播复杂地相互作用
。
对于梯度大小,最近的动态加权算法根据损失的不确定性和损失的变化率定期更新权重
。GradNorm
试图以相同的速度学习所有任务,但他们提出将这些权重作为参数学习,从而导致额外的内存消耗
。
相反,
RotoGrad
和<
【技术保护点】
【技术特征摘要】
1.
梯度匀质化的点云多任务融合方法,其特征在于,所述方法包括:
S1、
在不同的环境中,进行
3D
点云数据采集,每个任务对应一个训练集,共有
K
个任务;
S2、
对
S1
中采集的训练集数据进行数据预处理;
S3、
以
3D
点云数据作为输入,以任务对应的预测结果作为输出,搭建点云多任务融合网络,将多个任务训练集中的点云数据同时输入到搭建的点云多任务融合网络中进行训练,其中梯度回传时对总梯度进行参数更新方法:确定第
k
个任务的优先级
r
k
,
k
=
1,2,...,K
;对
r
k
归一化,得到第
k
个任务的任务优先级度量总损失
L
的大小为:其中,总梯度向量为
:
其中,表示共识梯度,的第
i
个分量的值为:个分量的值为:
n
表示分量的数量,
g
k(i)
表示与第
k
个任务相关的梯度的第
i
个分量,
g
chard
表示最困难任务在第
t
个
epoch
的梯度,
g
chard(i)
表示最困难任务在第
t
个
epoch
的梯度的第
i
个分量;
S4、
将待测点云数据输入到训练好的点云多任务融合网络中,获得每个任务对应的预测结果输出
。2.
根据权利要求1所述的梯度匀质化的点云多任务融合方法,其特征在于,优先级
r
k
:其中,
t
为
epoch
索引;是第
k
个任务在第
t
‑1个
epoch
的损失;
L
t
‑1是所有任务在第
t
‑1个
epoch
的总损失,
α
是一个超参数;
K
表示任务总数
。3.
根据权利要求2所述的梯度匀质化的点云多任务融合方法,其特征在于,第
k
个任务的任务...
【专利技术属性】
技术研发人员:王珂,谢涛,杨淋淇,孙祺淏,李瑞峰,陈效,赵立军,
申请(专利权)人:芜湖哈特机器人产业技术研究院有限公司,
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。