自适应协同训练算法

小样本精度高

通过辅助任务有效性度量筛选高质量分支并自适应协同训练，在小样本视觉检测中显著提升位姿估计和缺陷分割精度。

Wang, Xiaoyao · 杜福洲 · Zhao, Delong · 刘长

Journal of Intelligent Manufacturing 2024

参数信息

平均归一化像素误差

0.0143

交并比（IoU）

0.6921

技术优势

不用额外标注

所提方法完全利用已有标注的主任务数据，无需为辅助任务增加任何人工标注成本。

剔除无效分支

利用辅助任务有效性度量 EAT 评估各辅助分支的作用，在训练过程中自动剪枝无效分支，避免其干扰主任务训练。

精度大幅提升

在两个视觉任务上验证了显著提升：位姿关键点检测平均归一化像素误差降低约77%，表面缺陷分割 IoU 提高约5.4个百分点。

应用场景

• 机器视觉检测：替掉依赖大量标注的高成本检查环节，用少量标注即可训练高精度检测模型。
• 工业缺陷检测：在缺陷样本稀缺时仍能提升分割精度，降低漏检。
• 位姿估计：小样本下位姿关键点误差大幅降低，适用于标注困难的产线。