38、多任务多领域学习与顺序标注的研究进展

多任务多领域学习与顺序标注的研究进展

在机器学习和计算机视觉领域，多任务多领域学习以及顺序标注是两个重要的研究方向。多任务多领域学习旨在利用多个相关但标注不同的数据集进行学习，而顺序标注则专注于对序列数据进行分类。下面将详细介绍这两个方向的研究内容和实验结果。

多任务多领域学习的语义分割实验

在多任务多领域学习的语义分割实验中，研究人员使用了特定的网络架构和多个数据集进行训练，并采用了不同的训练策略。

网络架构与训练细节

• 网络架构 ：实验使用的网络架构是对Farabet等人提出的架构的修改版本。前两层卷积层由7×7的滤波器组、ReLU单元、2×2最大池化和批量归一化单元组成。最后一层卷积层后接ReLU单元、批量归一化单元和30%丢弃率的Dropout。全连接层后接ReLU单元，最后一层是数据集级别的Softmax单元。
• 训练过程 ：将RGB图像转换为YUV空间，训练输入示例由从图像中裁剪的46×46的补丁、图像所属的数据集以及补丁中心像素的标签组成。使用大小为128的小批量随机梯度下降更新参数，并在验证集上进行早停以防止过拟合。仅使用了补丁的水平翻转作为数据增强策略。

数据集详情

• KITTI数据集 ：由七个研究小组部分标注，共736张标注图像，几乎没有重复图像。将其分为训练集、验证集和测试集，平均每个视频帧采样约390,000个补丁，最终得到约2.8亿个适合训练深度学习架构的补丁。不同小组提供的标签存在不一致性，例如对树木、草地等的标注