L'apprentissage multi-tâches a montré un grand potentiel pour améliorer les performances de multiples tâches de vision sous-marine et a suscité un intérêt croissant. Cependant, le manque d'ensembles de données d'apprentissage multi-tâches sous-marins à grande échelle avec des annotations de vérité terrestre multi-tâches a limité la recherche et le développement dans ce domaine. Pour remédier à ce problème, nous introduisons le premier ensemble de données de référence multi-tâches au niveau vidéo sous-marin à grande échelle et haute résolution (UVMulti) pour promouvoir le développement de l'apprentissage multi-tâches sous-marin, qui contient 100 séquences vidéo avec 87 352 images. L'ensemble de données fournit des annotations de segmentation au niveau des pixels, des annotations d'amélioration d'image et des annotations de vérité terrestre en profondeur. Vise à s'adapter aux scénarios d'application sous-marine réels et aux caractéristiques des données, notre cadre d'apprentissage multi-tâches UVMT-Net intègre plusieurs paradigmes d'apprentissage et tire pleinement parti des données annotées limitées pour améliorer la performance multi-tâches. De plus, nous concevons une stratégie d'ajustement de poids de tâche adaptatif (AWA) pour améliorer la performance de la tâche principale tout en maintenant la performance de la tâche auxiliaire. Des expériences approfondies soulignent l'ensemble de données UVMulti comme une référence robuste et polyvalente pour l'apprentissage multi-tâches sous-marin.
Li et al. (Mon,) ont étudié cette question.