跳到正文
arXiv · 机器人与计算机视觉· Meihua Zhou, Li Yang·· 6 天前AI 评分43

$\mathcal{B}^{3}$-Net:多任务稠密预测的受控后验桥学习框架

$\mathcal{B}^{3}$-Net: Controlled Posterior Bridge Learning for Multi-Task Dense Prediction

AI 导读

$\mathcal{B}^{3}$-Net 提出受控后验桥学习框架,通过可靠性估计、后验桥构建及有界重分配解决多任务稠密预测中的负迁移问题。在 NYUD-v2、PASCAL-Context 和 Cityscapes 数据集上,该方法在 CNN、Transformer、扩散模型及 Mamba 等基线方法中取得竞争或更优的权衡效果。实验验证增益源于受控后验桥学习而非骨干容量或解码器规模。

来源:arXiv · 机器人与计算机视觉 · arxiv.org