极简笔记 Cross-stitch Networks for Multi-task Learning

本文探讨了Cross-stitch Networks如何在多任务学习中自动学习最优的网络共享结构,特别是在不同任务之间的权值共享效果。通过实验对比不同任务对的性能,发现某些任务相关性高时,Cross-stitch Units能提升性能。文章强调了初始化参数和学习率的重要性,并展示了该结构在小样本分类任务中的优势。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

极简笔记 Cross-stitch Networks for Multi-task Learning

论文地址: https://arxiv.org/abs/1604.03539

本篇文章研究的问题是不同层级的网络权值共享对multi-task learning的影响,同时在此基础上提出Cross-stitch units(十字绣单元),以实现自动学习最优网络共享结构。

这里写图片描述

首先,本篇文章在AlexNet的基础上,在不同层级展开task-specific分支,测试任务各自性能。文章采用<属性分类, 检测>和<平面法向量预测, 语义分割>两组直观上有一定相关性的任务对进行多任务学习。实验结果如上图所示,<属性分类, 检测>任务对,无论specific分支在什么层级,都无法同时提高两个任务的性能,说明这组任务对本质存在矛盾,不能用于共同训练。而<平面法向量预测, 语义分割>则在中间部分出现同时提高性能的现象,说明这组任务对相关性大,同时也显示specific分支层级的选择对最终性能有较大影响。

这里写图片描述

于是接下来文章就提出了cross-stitch unit,道理很简单,就是原本有两个相同结构不同单任务的网络,然后在每个对应feature map进行逐channel线性组合,然后各自输入到接下来的网络(线性组合参数可学习)。(但是逐channel线性组合在&l

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值