マルチタスク学習のためのパターン構造ディフュージョン

タスク内およびタスク間でパターン構造が高頻度で再現されることに着目し、深度推定、セグメンテーション、表面法線予測を統合的に実行するため、タスクレベル空間においてタスク固有およびタスク間のパターン構造を抽出・伝搬するための「パターン構造拡散（Pattern-Structure Diffusion: PSD）」フレームワークを提案する。局所的なパターン構造を表現するために、それらを小規模なグラフレット（graphlets）としてモデル化し、タスク内およびタスク間の2種類の拡散方式、すなわちイントラタスクPSDとインタータスクPSDを用いて伝搬を実現する。イントラタスクPSDでは、パターン構造の局所性に起因する制約を克服するため、隣接ノードに対する高次元再帰的集約を用いて伝搬範囲を乗法的に拡大し、遠方のパターン構造もタスク内空間において効果的に伝搬可能とする。一方、インタータスクPSDでは、同一空間位置に対応するパターン構造ペアの類似度に基づき、他のタスクの対応する構造を相互にタスク内に転送する。最終的に、イントラタスクおよびインタータスクのパターン構造がタスクレベルのパターン間で共同で拡散され、エンドツーエンドのPSDネットワークとして統合されることで、マルチタスク学習の性能が向上する。2つの広く用いられているベンチマーク上での広範な実験により、本提案するPSDがより有効であり、最先端（state-of-the-art）または競争力のある性能を達成することが示された。