FastCAR: Fast Classification And Regression Multi-Task Learning via Task Consolidation for Modelling a Continuous Property Variable of Object Classes

要約

FastCAR は、相関関係がわずかしかないタスクの異質性にも関わらず、分類タスクと回帰タスクに対するマルチタスク学習 (MTL) における新しいタスク統合アプローチです。
これは、科学と工学における重要なユースケースであるオブジェクト分類と連続プロパティ変数回帰に対処します。
FastCAR には、シングルタスク回帰ネットワーク アーキテクチャで使用できるラベル変換アプローチが含まれています。
FastCAR は、両方のタスクの学習を総合的に考慮した場合、アーキテクチャと損失重み付けスキームのランドスケープでパラメータ化された従来の MTL モデル ファミリよりも優れたパフォーマンスを発揮します (分類精度 99.54%、回帰平均絶対パーセント誤差 2.3%)。
実行された実験では、当社が提供した Advanced Steel Property データセットを使用しました。
データセットは、オブジェクト クラスと連続値を取る硬度プロパティで注釈が付けられた 224×224 ピクセルの 4536 枚の画像で構成されています。
ラベル変換とシングルタスク回帰ネットワーク アーキテクチャにより、FastCAR は待ち時間の短縮と時間効率の向上を実現します。

要約(オリジナル)

FastCAR is a novel task consolidation approach in Multi-Task Learning (MTL) for a classification and a regression task, despite task heterogeneity with only subtle correlation. It addresses object classification and continuous property variable regression, a crucial use case in science and engineering. FastCAR involves a labeling transformation approach that can be used with a single-task regression network architecture. FastCAR outperforms traditional MTL model families, parametrized in the landscape of architecture and loss weighting schemes, when learning of both tasks are collectively considered (classification accuracy of 99.54%, regression mean absolute percentage error of 2.3%). The experiments performed used an Advanced Steel Property dataset contributed by us. The dataset comprises 4536 images of 224×224 pixels, annotated with object classes and hardness properties that take continuous values. With the labeling transformation and single-task regression network architecture, FastCAR achieves reduced latency and time efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google