多任务预测方法、电子设备及存储介质技术

本申请提供一种多任务预测方法、电子设备及存储介质，该方法将目标图像输入至训练完成的多任务模型中，通过该模型中的焦点卷积模块，对目标图像进行卷积处理，通过该模型中的卷积模块组，提取多任务之间的初始共享特征，进而提取多任务之间的最终共享特征与各任务的独立特征，并将最终共享特征输入至连接的其他卷积模块组中，以便于其他卷积模块组在另一个尺度进行共享特征与独立特征的提取，最后将各任务的独立特征输入至各任务对应的多尺度融合模块中，由多尺度融合模块融合对应任务的不同尺度下的各独立特征，输出相应的任务预测结果，使得各任务之间保持共享的同时，支持各任务的独立性，解决多任务之间的冲突与不平衡问题。

【技术实现步骤摘要】

本申请涉及机器学习，具体涉及一种多任务预测方法、电子设备及存储介质。

技术介绍

1、多任务学习(multi-task learning，mtl)是一种机器学习方法，旨在通过同时训练多个相关任务来提高模型的泛化能力。其核心思想是利用任务之间的共享信息来提高每个任务的学习效果。mtl被广泛应用于自然语言处理、计算机视觉、语音识别等领域。

2、目前多任务模型结构主要分为两种方法：硬共享和软共享。其中，硬共享是指模型在处理不同任务时，其主体部分共享参数，在不同任务上学习共享的特征，模型的参数量比较少；软共享是指每个任务具有独立参数的模型，模型在每个任务上学习自己的特征表示。

3、然而，硬共享的缺点是大量共享主体部分的参数，导致多个任务的表现无法达到单一任务的效果，从而影响任务预测结果的准确性；软共享的缺点是参数了随着任务数量成倍增多，不仅增加了训练复杂性，还会导致任务预测时间变长。

技术实现思路

1、鉴于现有技术中的上述缺陷或不足，本申请旨在提供一种多任务预测方法、电子设备及存储介质，以解决现本文档来自技高网...

【技术保护点】

1.一种多任务预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述焦点卷积模块包括切片单元、第一拼接单元与第一低秩卷积单元；

3.根据权利要求1所述的方法，其特征在于，所述卷积模块组包括共享特征卷积模块与任务特征卷积模块，所述共享特征卷积模块包括第二低秩卷积单元；

4.根据权利要求3所述的方法，其特征在于，所述任务特征卷积模块包括第三低秩卷积单元、第四低秩卷积单元、至少一个残差模块、第二拼接单元以及输出单元；

5.根据权利要求4所述的方法，其特征在于，所述残差模块包括第五低秩卷积单元、第六低秩卷积单元与连接单元；...

【技术特征摘要】

1.一种多任务预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述焦点卷积模块包括切片单元、第一拼接单元与第一低秩卷积单元；

3.根据权利要求1所述的方法，其特征在于，所述卷积模块组包括共享特征卷积模块与任务特征卷积模块，所述共享特征卷积模块包括第二低秩卷积单元；

4.根据权利要求3所述的方法，其特征在于，所述任务特征卷积模块包括第三低秩卷积单元、第四低秩卷积单元、至少一个残差模块、第二拼接单元以及输出单元；

5.根据权利要求4所述的方法，其特征在于，所述残差模块包括第五低秩卷积单元、第六低秩卷积...

【专利技术属性】
技术研发人员：朱菲婷，
申请(专利权)人：亿咖通湖北技术有限公司，
类型：发明
国别省市：