Diffusion de structure de motif pour l'apprentissage multi-tâches

Inspirés par l’observation selon laquelle les structures de motifs se répètent fréquemment à l’intérieur d’une tâche ainsi qu’entre différentes tâches, nous proposons un cadre de diffusion de structures de motifs (PSD, Pattern-Structure Diffusion) afin d’extraire et de propager les structures de motifs spécifiques à chaque tâche ainsi que celles communes à plusieurs tâches dans l’espace au niveau des tâches, pour une estimation conjointe de la profondeur, de la segmentation et de la prédiction des normales de surface. Pour représenter les structures de motifs locaux, nous les modélisons sous la forme de graphlets à petite échelle, puis les propageons selon deux mécanismes distincts : la diffusion intra-tâche et la diffusion inter-tâche. Dans le cas de la diffusion intra-tâche, afin de surmonter la limitation liée à la portée locale des structures de motifs, nous utilisons une agrégation récursive d’ordre supérieur sur les voisins afin d’augmenter multiplicativement la portée de propagation, permettant ainsi la transmission des motifs à longue distance au sein d’une même tâche. Dans la diffusion inter-tâche, nous transférons mutuellement les structures correspondantes à la même position spatiale d’une tâche vers une autre, en fonction du degré de correspondance entre les paires de structures de motifs. Enfin, les structures de motifs intra-tâche et inter-tâche sont diffusées conjointement au sein des motifs au niveau des tâches, puis encapsulées dans un réseau end-to-end de type PSD afin d’améliorer les performances de l’apprentissage multi-tâches. Des expériences étendues sur deux benchmarks largement utilisés démontrent que notre approche PSD est plus efficace et atteint des résultats parmi les meilleurs ou compétitifs par rapport aux méthodes existantes.