[发明专利]基于多任务学习的特征融合方法及装置

说明书

本公开公开了一种基于多任务学习的特征融合方法，涉及人工智能领域，具体为计算机视觉和深度学习技术，可应用于智能交通或智慧城市场景下。具体实现方案为：对目标图像进行多任务学习，得到对应的多个图像特征；基于多个图像特征，生成对应的第一特征序列；将第一特征序列输入特征融合模型，以输出对应的多个特征权重；以及基于多个图像特征和多个特征权重，进行特征融合。本公开公开了一种基于多任务学习的特征融合装置、一种电子设备、一种存储有计算机指令的非瞬时计算机可读存储介质和一种计算机程序产品。

技术领域

本公开涉及人工智能领域，具体为计算机视觉和深度学习技术，可应用于智能交通或智慧城市场景下。具体地，本公开涉及一种基于多任务学习的特征融合方法、一种基于多任务学习的特征融合装置、一种电子设备、一种存储有计算机指令的非瞬时计算机可读存储介质和一种计算机程序产品。

背景技术

多任务学习(Multitask learning)是指基于共享表示(sharedrepresentation)，把多个相关任务放在一起学习的一种机器学习方法。具体地，多任务学习是一种推导迁移学习方法，即，主任务(main tasks)可以使用相关任务(related tasks)的训练信号(training signal)所拥有的领域相关信息(domain—specificinformation)，作为一直推导偏差(inductive bias)来提升主任务泛化效果(generalization performance)的一种机器学习方法。

发明内容

本公开提供了一种基于多任务学习的特征融合方法、装置、设备、存储介质以及计算机程序产品。

根据本公开的一方面，提供了一种基于多任务学习的特征融合方法，包括：对目标图像进行多任务学习，得到对应的多个图像特征；基于所述多个图像特征，生成对应的第一特征序列；将所述第一特征序列输入特征融合模型，以输出对应的多个特征权重；以及基于所述多个图像特征和所述多个特征权重，进行特征融合。

根据本公开的另一方面，提供了一种基于多任务学习的特征融合装置，包括：图像特征获取模块，用于对目标图像进行多任务学习，得到对应的多个图像特征；特征序列生成模块，用于基于所述多个图像特征，生成对应的第一特征序列；特征权重输出模块，用于将所述第一特征序列输入特征融合模型，以输出对应的多个特征权重；以及特征融合模块，用于基于所述多个图像特征和所述多个特征权重，进行特征融合。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例所述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据本公开实施例所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本公开实施例所述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1A示例性示出了单任务学习的示意图；

图1B示例性示出了多任务学习的示意图；

图2示例性示出了适于本公开实施例的基于多任务学习的特征融合方法和装置的系统架构；

图3示例性示出了根据本公开实施例的基于多任务学习的特征融合方法的流程图；

图4示例性示出了根据本公开实施例的特征融合的原理图；