轻量高效
UMT-Net通过全局共享骨干和自适应任务加权，在多个任务上以更少参数和计算量超越基线，适合资源受限环境。
陈思汉 · Zheng, Lianqing · Libo, Huang · Jie, Bai · 朱西产 · Ma, Zhixiong
IEEE Transactions on Intelligent Vehicles 2023
通过全局共享骨干和紧凑解码器减少冗余，推理时浮点运算更少。
参数高效设计使模型存储和内存占用更小，适合移动设备。
低推理延迟支持实时应用，如自动驾驶感知。
自适应任务加权同时考虑任务损失的短期变化和长期统计，避免多任务训练中的失衡。