多任務學習「Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics」

多任務學習系統的性能很大程度上依賴於任務間的損失權值。手動調節權值非常耗時耗力，論文提出使用任務間的同方差不確定性給每個損失函數賦權。模型由單一圖像同時學習像素級深度迴歸、語義及實例分割。場景理解的多任務學習在機器人領域比較實用，多個任務組合到一個模型可以降低計算量。 多任務學習中每個任務的最優權值依賴於調節尺度、任務的噪聲幅值。論文多任務學習的結構爲： 相關工作 多任務學習可以認爲是歸納知識遷移

>>阅读原文<<