基于多标注三元组损失的多任务学习以提高目标检测

本研究解决了传统三元组损失只依赖于类别标签的问题，在多任务场景中未能充分利用多种标注信息。通过引入多标注三元组损失（MATL）框架，该方法结合了边界框信息和类别标签，显著提升了分类和定位任务的多任务学习性能。实验结果表明，MATL在分类和定位任务上均超越了传统三元组损失，强调了在多任务学习中充分利用所有可用标注的重要性。