具有门控机制的可变形混合变压器用于密集预测的多任务学习

本文介绍了一种新颖的多任务学习模型DeMTG，结合了可变形卷积神经网络和基于查询的Transformer，采用共享门控机制，具有任务特定的灵活性。与传统方法相比，DeMTG成本低、复杂度小、参数少。实验证明，DeMTG在三个密集预测数据集上使用更少的GFLOPs，优于竞争模型。