用于多任务视觉识别的深度交叉残差学习

残差学习近来已成为构建用于物体识别的极深神经网络的有效手段。然而，当前残差网络的实现形式不允许对紧密耦合的识别任务之间或跨领域的复杂关系进行建模与整合。此类问题常出现在涉及大规模内容识别的多媒体应用中。我们提出一种残差学习用于深度网络的新颖扩展，其利用称为交叉残差（cross-residuals）的跨连接实现跨多个相关任务的直观学习。这些交叉残差连接可视为一种网络内正则化形式，并能提升网络的泛化能力。我们展示了如何将交叉残差学习（CRL）集成到多任务网络中，以跨多个任务联合训练并检测视觉概念。我们提出了一个单一的多任务交叉残差网络，其参数量减少逾40%，却能在通常需多个专用单任务网络的视觉情感概念检测问题上取得有竞争力甚至更优的检测性能。所得多任务交叉残差网络即便仅使用少量的跨任务加权，也比无交叉残差的标准多任务残差网络的检测性能高出约10.4%。