文献类型：期刊文章

作　　者：李红光[1] 王菲[2] 丁文锐[1]

LI Hongguang;WANG Fei;DING Wenrui(Research Institute of Unmanned System,Beihang University,Beijing 100191,China;School of Electronics and Information Engineering,Beihang University,Beijing 100191,China)

机构地区：[1]北京航空航天大学无人系统研究院,北京100191 [2]北京航空航天大学电子信息工程学院,北京100191

出　　处：《航空学报》

基　　金：国家自然科学基金面上项目(62076019)。

年　　份：2022

卷　　号：43

期　　号：1

起止页码：197-212

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：多任务学习(MTL)可以在训练中联合利用多个任务的监督信号,并通过共享多个相关任务之间的有用信息来提升模型性能。本文从目标分类识别应用角度,全面梳理和分析了多任务学习的机制及其主流方法。首先,对多任务学习的定义、原理和方法进行阐述。其次,以应用较为广泛、具有代表性且具有共性特点的细粒度分类和目标重识别为例,重点介绍多任务学习机制在目标分类和识别任务应用的2类方法:基于任务层的多任务学习和基于特征层的多任务学习,并针对每种类型进一步分类分析不同的多任务学习算法的设计思想和优缺点。接着,对本文综述的各种多任务学习算法在通用数据集上开展性能对比。最后,对面向目标分类和识别任务的多任务学习方法的未来趋势进行展望。

关 键 词：多任务学习 深度学习  目标分类  细粒度分类  目标重识别  

分 类 号：V19]