【技术实现步骤摘要】
本专利技术涉及人工智能和智能驾驶的，尤其是一种基于自适应矩估计的多任务模型训练方法。
技术介绍
1、多任务学习(multi-task learning,mtl)作为一种重要的深度学习方法，广泛应用于自然语言处理(nlp)、计算机视觉(cv)等领域。相比于单任务学习，多任务学习具有显著的优势，特别是在内存占用和推理速度方面，多个任务共享参数，不仅减少了内存消耗，而且能够通过一次前向计算同时输出多个任务的结果，极大地提高了推理效率。同时，通过在多个任务之间共享参数，多任务学习能够有效利用不同任务之间的相关性，从而在模型的训练中实现知识的迁移，提升模型的泛化能力和整体性能。
2、然而，多任务学习在实际应用中面临着诸多挑战，其中，负迁移(negativetransfer)和跷跷板效应(seesaw effect)是最为常见的问题。负迁移现象是指不同任务之间的冲突和不一致导致的相互干扰，最终使得某些任务的性能反而不如单独训练时的效果。而跷跷板效应则表现为，当一个任务的性能提升时，另一个任务的性能下降，导致整个多任务模型的效果不稳定且难
【技术保护点】
1.一种基于自适应矩估计的多任务模型训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于自适应矩估计的多任务模型训练方法，其特征在于：所述第2步骤的具体步骤如下：
3.根据权利要求1所述的基于自适应矩估计的多任务模型训练方法，其特征在于：所述第3步骤的具体步骤如下：
4.根据权利要求1所述的基于自适应矩估计的多任务模型训练方法，其特征在于：在所述第12步骤中，对原始图像进行尺寸调整，即通过自适应缩放调整方法将原始图像调整至960×512的目标尺寸，自适应缩放调整的具体操作步骤如下：
5.根据权利要求1所述的...
【技术特征摘要】
1.一种基于自适应矩估计的多任务模型训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于自适应矩估计的多任务模型训练方法，其特征在于：所述第2步骤的具体步骤如下：
3.根据权利要求1所述的基于自适应矩估计的多任务模型训练方法，其特征在于：所述第3步骤的具体步骤如下：
4.根据权利要求1所述的基于自适应矩估计的多任务模型训练方法，其特征在于：在所述第12步骤中，对原始图像进行尺寸调整，即通过自适应缩放调整方法将原始图像调整至960×512的目标尺寸，自适应缩放调整的具体操作步骤如下：
5.根据权利要求1所述的基于自适应矩估计的多任务模型训练方法，其特征在于：在所述第15步骤中，检测任务的损失值由类别损失和定位损失组成。
6.根据...
【专利技术属性】
技术研发人员：高尔峰，
申请(专利权)人：常州星宇车灯股份有限公司，
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。