[发明专利]一种基于信息熵动态赋权的多任务学习自适应平衡方法

权利要求书

1.一种基于信息熵动态赋权的多任务学习自适应平衡方法，其特征在于，具体为：

首先，搭建初始多任务学习模型M，并通过多任务学习模型M对输入图像进行推断，得到不同任务的不同类型输出，分别进行归一化处理，得到不同任务对应的归一化概率图；

然后，利用各归一化概率图计算多任务损失函数，通过多任务损失函数对多任务学习模型M进行初步训练；

最后，在初步训练后的多任务学习模型M基础上，通过信息熵动态赋权算法构建最终的自适应多任务损失函数，并利用反向传播算法获得当前多任务学习模型M的参数梯度，进行参数更新，完成一次迭代训练；

迭代训练后，得到新的多任务学习模型M1，重新对输入图像进行推断和归一化，利用自适应多任务损失函数进行下一次迭代，直至多任务学习模型M1达到收敛，终止训练。

2.根据权利要求1所述的一种基于信息熵动态赋权的多任务学习自适应平衡方法，其特征在于，所述的多任务学习模型包含一个共享编码器和对应于各特定任务的解码器。

3.根据权利要求1所述的一种基于信息熵动态赋权的多任务学习自适应平衡方法，其特征在于，所述的三种任务输出图为：语义分割输出图P_s、深度估计输出图P_d和边缘检测输出图P_b；对应的归一化概率图为：

1)语义分割输出图P_s，采用sonmax函数进行处理，得到归一化后的语义分割概率图：

其中，S为语义分割总类别数，i表示预测图中第i层语义类别，P_s，i为模型输出图P_s的第i层语义分割数值图，而P’_s，i则表示归一化后的第i层语义分割概率图P’_s；

2)分类边缘检测输出图P_b，采用sigmoid函数进行处理，得到归一化后的边缘检测概率图P’_b：

3)深度估计输出图P_d，利用对数空间离散化策略将深度回归任务转化为分类任务，采用sonmax函数得到归一化后的深度分类概率图；

首先，采用对数空间离散化策略将连续空间的深度值离散划分为K个子间隔对应K个类别，具体为：

将深度值区间[D₁，D₂]映射到[D₁+1，D₂+1]，记为[D′₁，D′₂]，并按照离散化深度阈值d_k进行划分，得到K个子间隔{[d₀，d₁]，[d₁，d₂]，...，[d_K-1，d_K]}；

离散化深度阈值d_k定义为：

然后，将深度估计真值按照上述策略离散化为深度分类真值，即当深度估计真值处于[d_k-1，d_k]时对其分配类别为k，并以深度分类真值训练深度任务分支；

最后，在训练阶段得到深度分类预测图，并采用softmax函数进行处理，获得归一化后的深度分类概率图P’_d，k；

深度分类概率图为：

其中，K为深度分类总类别数，k表示第k个深度类别，P_d，k表示第k层深度分类预测图，P′_d，k表示归一化后的第k层深度分类概率图。