6月7日，國際人工智能頂會CVPR 2023舉辦的第一屆大模型挑戰賽（CVPR 2023 Workshop on Foundation Model:1st foundation model challenge）落下帷幕，本次比賽吸引了來自全球著-名高校和知名企業的1024名參賽者，經過為期2個月的激烈角逐，天翼云AI團隊（隊名CTRL）在多任務大模型賽道中表現出色，榮獲本屆大賽冠軍，
CVPR會議是由IEEE主辦的關于計算機視覺和模式識別的國際學識訓議，收錄了該領域最新的研究成果和技術發展，是全球計算機視覺三大頂-級會議之一，
? ? ?
傳統的視覺模型生產流程通常采用單任務，從零開始訓練，各個任務之間無法相互借鑒，由于單任務資料有限，導致模型的實際效果過于依賴任務資料分布，通常對于不同場景的泛化效果不佳，
近年來，大資料預訓練技術迅速發展，通過利用大量資料學習通用知識并將其遷移到下游任務中的方法，本質上實作了不同任務之間的相互借鑒，基于海量資料獲得的預訓練模型具有較好的知識完備性，即使在下游任務中使用少量資料進行微調，仍然能夠獲得良好的效果，然而，基于預訓練+下游任務微調的模型生產流程需要為每個任務單獨訓練模型，這在研發上消耗了大量資源，相比之下，多任務訓練方案通過使用多個任務的資料訓練一個功能強大的通用模型，可以直接應用于處理多個任務，從而有效提高模型生產效率和泛化能力，
在本次競賽中，參賽者需要使用單一模型同時完成交通場景下的分類、檢測和分割三個代表性任務的聯合訓練，天翼云AI團隊在模型設計方面憑借豐富的演算法開發經驗，選擇了引數量僅為第2名60%的預訓練模型，用更少的引數卻獲得了更高的精度，
為了解決多任務訓練中各分支損失函式和梯度不一致導致收斂緩慢的問題，天翼云AI團隊采用了損失均衡和梯度尺度統一的方法，以此來平衡各任務分支的損失函式，并使梯度具有一致的尺度，從而提高模型的訓練效率和收斂速度，此外，天翼云AI團隊還通過精心設計的任務專屬特征金字塔和注意力機制，使各分支任務能夠利用骨干網路中對自身任務更有效的特征，進一步提升了整體模型的精度和性能，
通過以上模型設計和訓練策略，天翼云AI團隊在競賽中取得了優異成績，充分展示了在影像、音頻及多模態領域的深厚積累和持續創新能力，未來，天翼云將繼續在廣闊的人工智能領域進行創新和探索，以更先進的技術和卓越的成果惠及更多用戶，為千行百業的數字化發展提供支撐，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/555582.html
標籤：其他
上一篇：ModelBox實戰開發：RK3568實作攝像頭虛擬背景
下一篇：返回列表