基于卷积滤波器分组的梯度手术优化全景驾驶感知多任务模型

为解决多任务学习中梯度冲突导致的负知识迁移问题，北京邮电大学团队提出基于卷积滤波器分组(PCFG)的梯度手术方法。该研究通过自适应梯度相似性分组策略优化PCGrad算法，在BDD100K数据集上验证了YOLOP等三种模型的性能提升，为自动驾驶多任务学习提供了通用梯度更新模块。

　　

在自动驾驶技术快速发展的今天，全景驾驶感知系统需要同时处理目标检测、可行驶区域分割和车道线分割等多项视觉任务。传统独立处理方式不仅效率低下，更忽视了任务间的关联特征。尽管多任务学习(MTL)通过共享编码器提升了效率，但不同任务对共享参数的梯度优化方向常存在冲突，导致模型陷入次优解甚至出现负知识转移(negative knowledge transfer)现象。这种梯度冲突被定义为两个梯度向量夹角超过90°（余弦相似度为负），严重制约着多任务模型的性能提升。

北京邮电大学的研究团队在《Neurocomputing》发表的研究中，创新性地将梯度手术(PCGrad)与卷积滤波器特性相结合。研究发现，传统PCGrad将全模型参数展平处理会掩盖卷积神经网络(CNN)中不同滤波器对特征聚合的差异性——有些滤波器专注车辆轮廓特征，而其他可能捕捉车辆形状特征。受GradVac启发，团队证实对单个滤波器参数分别实施PCGrad会产生截然不同的优化方向。基于此，他们提出基于卷积滤波器分组(PCFG)的新型梯度手术方法，通过自适应梯度相似性分组策略，使共享编码器能更有效地学习任务间共性特征。

关键技术包括：1)基于BDD100K数据集的70K训练图像构建多任务基准；2)通过计算滤波器梯度与全任务梯度的余弦相似度实现自适应分组；3)在YOLOP、HybridNets和A-YOLOM三个开源模型中实现PCFG模块化集成。

【卷积滤波器分组方法】
提出梯度相似性度量指标，计算每个滤波器参数对各任务损失的梯度g^k_i与全任务梯度g_i的余弦相似度，将相似度阈值超过0.5的滤波器划归同组。实验显示该方法能使车辆检测相关滤波器自动聚集，分组后mAP提升2.3%。

【PCFG算法实现】
在反向传播阶段，对同组滤波器实施投影冲突梯度(PCGrad)操作：当检测任务梯度g^det与分割任务梯度g^seg冲突时，将g^det投影至g^seg的法平面。相比基线模型，YOLOP的检测精度和分割IoU分别提高1.8%和1.5%。

【多模型验证】
在BDD100K测试集上，PCFG使HybridNets的推理速度提升15%，A-YOLOM的误检率降低12%。消融实验证实，适度分组（每组含3-5个滤波器）能平衡计算开销与性能增益。

该研究首次系统探索了任务关系对共享编码器优化的影响，提出的PCFG模块具有三大创新：1)突破传统PCGrad的全局参数处理局限；2)通过滤波器分组实现细粒度梯度对齐；3)抽象出通用梯度更新范式。国家重点研发计划支持下的这项工作，为自动驾驶多任务学习提供了新的优化视角，其方法论可扩展至其他CNN基多任务场景。未来研究可探索分组粒度与任务复杂度的自适应匹配机制。