(EN) The invention relates to a method for determining the architecture of an encoder (2) of a convolutional neural network (1), the neural network (1) being configured to process multiple different image processing tasks (t1, t2, t3), the method comprising the steps of: - for each image processing task (t1, t2, t3)), calculating characteristic scale distribution based on training data (S10); - generating multiple encoder architecture candidates, each encoder architecture of said encoder architecture candidates comprising at least one shared encoder layer (SL) which provides computational operations for multiple image processing tasks and multiple branches (b1, b2, b3) which span over one or more encoder layers which provide at least partly different computational operations for said image processing tasks, wherein each branch (b1, b2, b3) is associated with a certain image processing task (t1, t2, t3) (S11); - calculating receptive field sizes of the encoder layers of said multiple encoder architectures (S12); - calculating multiple assessment measures, each assessment measure referring to a combination of a certain encoder architecture of said multiple encoder architectures and a certain image processing task (t1, t2, t3), each assessment measure including information regarding the quality of matching of characteristic scale distribution of the image processing task (t1, t2, t3) associated with the assessment measure to the receptive field sizes of the encoder layers of the encoder architecture associated with the assessment measure (S13); - comparing the calculated assessment measures and establishing a comparison result (S14); and - selecting an encoder architecture based on the comparison result (S15).
(FR) L'invention concerne un procédé de détermination de l'architecture d'un encodeur (2) d'un réseau neuronal convolutif (1), le réseau neuronal (1) étant configuré pour traiter de multiples tâches de traitement d'image différentes (t1. t2. t3), le procédé comprenant les étapes suivantes : - pour chaque tâche de traitement d'image (t1, t2, t3), calculer une distribution d'échelle caractéristique en fonction de données d'entraînement (S10) ; produire de multiples architectures d'encodeur candidates, chaque architecture d'encodeur desdites architectures d'encodeur candidates comprenant au moins une couche d'encodeur partagée (SL) qui fournit des opérations de calcul pour de multiples tâches de traitement d'image et de multiples branches (b1, b2, b3) qui s'étendent sur une ou plusieurs couches d'encodeur qui fournissent des opérations de calcul au moins partiellement différentes pour lesdites tâches de traitement d'image, chaque branche (b1, b2, b3) étant associée à une certaine tâche de traitement d'image (t1, t2, t3) (S11) ; - calculer des tailles de champ récepteur des couches d'encodeur desdites multiples architectures d'encodeur (S12) ; - calculer de multiples mesures d'évaluation, chaque mesure d'évaluation se référant à une combinaison d'une certaine architecture d'encodeur desdites multiples architectures d'encodeur et à une certaine tâche de traitement d'image (t1, t2, t3), chaque mesure d'évaluation comprenant des informations concernant la qualité de la correspondance de la distribution d'échelle caractéristique de la tâche de traitement d'image (t1, t2, t3) associée à la mesure d'évaluation avec les tailles de champ récepteur des couches d'encodeur de l'architecture d'encodeur associées à la mesure d'évaluation (S13) ; - comparer les mesures d'évaluation calculées et établir un résultat de comparaison (S14) ; et - sélectionner une architecture d'encodeur en fonction du résultat de comparaison (S15).
