基于协同注意力共享的多任务学习用于行人属性识别
计算机视觉与模式识别
2020-04-08 v1
摘要
学习预测行人的多个属性是一个多任务学习问题。为了在两个独立任务网络之间共享特征表示，Cross-Stitch 和 Sluice network 等传统方法学习特征的线性组合或特征子空间。然而，线性组合排除了通道之间复杂的相互依赖关系。此外，空间信息交换较少被考虑。在本文中，我们提出了一种新颖的协同注意力共享（Co-Attentive Sharing, CAS）模块，该模块提取有判别力的通道和空间区域，以在多任务学习中实现更有效的特征共享。该模块由三个分支组成，分别利用不同通道进行任务间特征融合、注意力生成和任务特定特征增强。在两个行人属性识别数据集上的实验表明，我们的模块优于传统的共享单元，并且与使用多种指标的最先进方法相比取得了更优的结果。
引用
@article{arxiv.2004.03164,
title = {Multi-Task Learning via Co-Attentive Sharing for Pedestrian Attribute Recognition},
author = {Haitian Zeng and Haizhou Ai and Zijie Zhuang and Long Chen},
journal= {arXiv preprint arXiv:2004.03164},
year = {2020}
}
备注
2020 IEEE International Conference on Multimedia & Expo