[101] Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics

[long8v]

paper

TL;DR

• I read this because.. : multi-task learning with uncertainty!
• task : semantic segmentation, instance segmentation, pixel-wise metric depth
• problem : 이전의 멀티태스크 접근법은 loss들의 가중합인데 이 가중에 따라 성능이 매우 예민하게 움직인다.
• idea : output y에 대해 가우시안으로 가정하고 MLE에 따라 추정하면 $\sigma$에 의해 각 task 자체의 noise와 상대적인 weight를 구할 수 있다. 즉 model weight $W$와 task dependent $\sigma_{task}$를 같이 최적화하자.
• architecture : DeepLab V3(ResNet101 -> Atrous Spatial Pyramid Pooling) + 3개 태스크에 맞는 decoder
• objective : CE(semantic segmentation), L1(instance segmentation, depth estimation)
• baseline : task specific model, weighted multi-task model
• data : CityScapes benchmark, depth image는 SGM이라는 모델로 pseudo-label 사용
• evaluation : IoU, Instance Mean Error, Inverse Depth Mean Error
• result : 3개의 태스크로 학습한게 segmentation, depth 예측에서 sota. instance segmentation은 2개로 학습한 곳에서 sota
• contribution : 3 태스크로 학습한 모델이 처음이라고 하넹
• limitation / things I cannot understand : 대충 결론적으로 보면 학습 가능한 weight 추가하고 이게 널뛰기 되지 않도록 Regularization term 추가한건데 mle 관점으로 해석되니까 보기에 아름답넹

Details

motivation

multi-task loss weight에 따라 성능이 널뛰기 함

Architecture

Homoscedastic uncertainty as task-dependent uncertainty

• Epistemic uncertainty
  • model에 의한 uncertainty, training data의 부족으로 인한 Uncertainty
• Aleatroic uncertainty
  • 데이터에 의한 uncertainty, data가 표현할 수 없는 정보에 대한 uncertainty.
  • Data-dependent, Hetroscedatic
    • input data와 모델 아웃풋에 의해 결정되는 uncertainty
  • Task-dependent, Homoscedastic
    • input data에 의존하지 않는 uncertainty

뭐라는지 안와닿네.. 어쨌든 이 논문에서는 마지막 task-dependent uncertainty에 대해 측정할거임

Multi-task likelihoods

뉴럴네트워크의 아웃풋을 $f^W(x)$라고 하자. regression 문제에서는 Output을 가우시안을 따르는 걸로 가정할 수 있음

이때 $\sigma$는 Noise scalar

분류문제에 대해서는 softmax를 취해서 확률분포로 만듦

multiple-model output에 대해서는 factorize해서 이렇게 표현할 수 있음.

maximum likelihood estimation에 따르면 Log likelihood는 이렇게 쓸 수 있음

두개의 gaussian을 따르는 모델 아웃풋에 대한 Log likehlihood에 대해서는 아래와 같이 쓸 수 있음

이는 이제 $\mathcal{L}(W, \sigma_1, \sigma_2)$에 대한 minimisation 문제로 볼 수 있음

이렇게 되면 $\sigma_1$, $\sigma_2$는 각 loss 1, 2의 상대적인 Weight가 되고, 마지막 항인 $log\sigma_1\sigma_2$는 regularization term이 된다.

분류 문제에 대해서는 scalar $\sigma$로 scale된 softmax로 확장시켜서 보자.

이렇게 되면 log likelihood는 아래와 같은 꼴이 되고,

이는 다시 joint loss를 학습하는 모양이 된다.

역시 여기서도 $\sigma_1$, $\sigma_2$가 모델의 상대적인 weight로 볼 수 있다.

Result