针对目前深度学习在气体检测领域多聚焦于学习单个任务即气体定性分类或气体体积分数定量回归，忽略了相关任务间的信息关联性，降低了模型学习精度与效率等问题，提出了一种基于一维卷积神经网络和长短期记忆网络的多任务学习模型，即MTL-1DCNN-LSTM，并行实现了混合气体种类定性识别与体积分数定量回归。利用掺铥光纤，搭建了二级放大掺铥环腔光纤激光器，基于有源内腔吸收光谱法探测了CO₂和NH₃混合气体的吸收光谱数据。将实验数据放入多任务学习模型中训练，并进行超参数优化后，对测试集数据进行测试得到气体识别准确率为100%，NH₃体积分数预测决定系数为99.84%，CO₂体积分数预测决定系数为99.62%，优于单任务模型与传统的气体反演算法如反向传播神经网络和支持向量机。所提出的深度学习算法与有源内腔法相结合的方法，为吸收光谱型混合气体反演技术的进一步研究提供了新思路。

焊缝信息的快速准确获取是实现自动化焊接的首要问题。然而，在实际焊接过程中，电弧、飞溅、强反射光等噪声会严重污染采集的图像，导致焊缝定位偏移，最终导致跟踪失败。为了提高跟踪过程中的焊缝定位精度与图像处理速度，本文提出了一种将激光条纹分割与焊缝特征点定位相结合的轻量级多任务深度学习模型。该模型由编码器和解码器组成，激光条纹分割子任务与焊缝特征点定位子任务共用编码器主干网络，解码器包含激光条纹分割分支和基于可微空间到数值转换（DSNT）的焊缝特征点定位分支，整个模型遵从轻量化设计思想，同时利用多个子任务之间的相关信息，进一步提升各子任务的性能。实验结果表明，所提模型能够有效克服各类焊接噪声，完成焊缝特征的提取，单幅图像的处理时间约为11.45 ms，特征点定位精度可达0.1872 pixel，在自动化焊接方面具有广阔的应用前景。

提出了一种基于信号光谱和多任务深度神经网络（MT-DNN）的多信道并行光性能监测（OPM）方案，采集多信道光谱图进行预处理来设计幅度直方图（Ahs），可实现波分复用（WDM）系统多信道调制格式识别（MFI）和光信噪比（OSNR）监测。在建立的3信道WDM相干光通信系统中，对由PDM-4QAM/16QAM/64QAM组合的10种调制格式的3信道信号实现了MFI准确率为100%、OSNR监测的平均绝对误差（MAE）为0.16 dB的精准监测。为进一步研究所提OPM方案的性能以应对复杂的传输环境，提出了迁移学习辅助的多任务深度神经网络（TL-MT-DNN）用于多信道MFI和OSNR并行监测。结果表明，所提方案可移植性较好，还可节省大量样本和训练周期，其MFI准确率仍可达100%，3信道OSNR监测的MAE分别为0.24 dB、0.20 dB和0.19 dB。

通过研究一种基于多尺度卷积神经网络和人体姿态估计模型相结合的多任务步态识别方法,对神经网络识别结果做出一定的解释说明,同时提高其在面对协变量改变场景下的识别效果。该方法将卷积神经网络提取的步态空间特征和人体姿态估计模型得到人体关节时序特征融合,进行身份的识别。使用步态数据集CASIA-B中的正常行走序列和合成行走序列数据以及TUM-GAID步态数据集进行实验。结果表明,该方法在TUM-GAID步态数据集实验中,三种场景T1、T2和T3下的识别率分别达到95.2%、72.4%和84.5%。在CASIA-B步态数据集实验中,对于正常行走序列以及两种合成行走序列,该方法在识别精度上均有较好的表现,体现该模型有较强的鲁棒性。

现有的深度学习方法倾向于将磁共振图像重建与分割作为两个单独的任务来处理，而没有考虑到两个任务之间的相关性。如果简单地对重建网络与分割网络进行拼接训练，则可能会由于任务之间的优化难度差异而影响重建与分割的最终效果。基于改进后的教师督导网络训练策略，开发了一种磁共振图像联合重建与分割的多任务深度学习方法。新设计的教师督导策略迭代地以中间重建输出和全采样数据来指导多任务网络训练，缓解误差积累。在一个公开数据集和一个内部数据集上对所提方法进行评估，并与6种现有方法进行了比较。实验结果表明，与对比方法相比，所提方法在实现重建与分割协同优化的同时提升了重建图像质量和分割精度。

与高质量可见光图像相比，红外图像在行人检测任务中往往存在较高的虚警率。其主要原因在于红外图像受成像分辨率及光谱特性限制，缺乏清晰的纹理特征，同时部分样本的特征质量较差，干扰网络的正常学习。本文提出基于多任务学习框架的红外行人检测算法，其在多尺度检测框架的基础上，做出以下改进: 1) 引入显著性检测任务作为协同分支与目标检测网络构成多任务学习框架，以共同学习的方式侧面强化检测器对强显著区域及其边缘信息的关注。 2) 通过将样本显著性强度引入分类损失函数，抑制噪声样本的学习权重。在公开 KAIST数据集上的检测结果证实，本文的算法相较于基准算法 RetinaNet能够降低对数平均丢失率 (MR-2)4.43%。

针对在线更新式跟踪方法易受嘈杂样本干扰进而产生漂移现象的问题,在跟踪流程中加入丢失检测步骤,并结合多任务学习训练方式,提出一种适合长期跟踪的方法。该方法在跟踪过程中长期收集目标外观来构建动态样本库,根据样本相似度检测目标的丢失,并使用动态阈值适应不同目标,来减少跟踪器对嘈杂样本的学习。为使跟踪器建立完整的目标外观模型,本文联合训练短期记忆子任务和长期记忆子任务。在丢失目标后的重检测过程中,根据区域轮廓特征和目标尺度信息进行区域提议,以提高目标重检测的质量。该方法在目标跟踪数据集OTB-2015和VOT-2016上进行了评估,其精确度为90.8%,成功率为68.1%。实验结果表明,在遮挡等复杂场景下该方法可以有效地跟踪目标。

室内布局估计是计算机视觉领域的研究热点之一,在三维重建、机器人导航和虚拟现实等方面具有广泛的应用。目前室内布局估计的解决方案存在实时性较差、计算量较大等问题。针对这些问题,本文提出了一种基于多任务监督的轻量卷积网络,该网络模型基于编码器-解码器结构,使用室内边缘热图与平面语义分割实现多任务监督学习。此外本文对卷积模块进行了改进,使用1×1卷积替换了1×3、3×1卷积,在保证模型精度的情况下提升了网络的实时性。在公共数据集LSUN上进行实验,结果表明,本文方法具有良好的实时性和准确性。

引入辅助任务信息有助于立体匹配模型理解相关知识,但也会增加模型训练的复杂度。为解决模型训练对额外标签数据的依赖问题,提出了一种利用双目图像的自相关性进行多任务学习的立体匹配算法。该算法在多层级渐进细化过程中引入了边缘和特征一致性信息,并采用循环迭代的方式更新视差图。根据双目图像中视差的局部平滑性和左右特征一致性构建了损失函数,在不依赖额外标签数据的情况下就可以引导模型学习边缘和特征一致性信息。提出了一种尺度注意的空间金字塔池化,使模型能够根据局部图像特征来确定不同区域中不同尺度特征的重要性。实验结果表明:辅助任务的引入提高了视差图精度,为视差图的可信区域提供了重要依据,在无监督学习中可用于确定单视角可见区域;在KITTI2015测试集上,所提算法的精度和运行效率均具有一定的竞争力。

近年来,视觉里程计广泛应用于机器人和自动驾驶等领域,传统方法求解视觉里程计需基于特征提取、特征匹配和相机校准等复杂过程,同时各个模块之间要耦合在一起才能达到较好的效果,且算法的复杂度较高。环境噪声的干扰以及传感器的精度会影响传统算法的特征提取精度,进而影响视觉里程计的估算精度。鉴于此,提出一种基于深度学习并融合注意力机制的视觉里程计算法,该算法可以舍弃传统算法复杂的操作过程。实验结果表明,所提算法可以实时地估计相机里程计,并具有较高的精度和稳定性以及较低的网络复杂度。