用于改善人脸属性预测的多任务学习中的任务结构正则化
计算机视觉与模式识别
2021-08-19 v2
摘要
卷积神经网络 (CNN) 在人脸属性预测方面的巨大成功依赖于大量标注图像。人脸图像数据集通常由一些常用属性（例如性别）进行标注，而其他属性（例如大鼻子）的标签有限，这使得它们的预测具有挑战性。为了解决这个问题，我们使用了一种新的多任务学习 (MTL) 范式，其中人脸属性预测器利用其他相关属性的知识来获得更好的泛化性能。在这里，我们在两种问题设置中利用 MTL 范式。首先，假设任务的结构（例如，人脸属性的分组模式）作为先验知识已知，并且同一组内任务的参数（即预测器）由有限数量的潜在基础任务的线性组合表示。这里还考虑了对该线性组合系数的稀疏约束，使得每个任务以更结构化和更简单的方式表示。其次，假设任务的结构未知，然后使用拉普拉斯正则化框架联合学习任务的结构和参数。我们将我们的 MTL 方法与用于人脸属性预测的竞争方法进行了比较，以展示其有效性。
引用
@article{arxiv.2108.04353,
title = {Tasks Structure Regularization in Multi-Task Learning for Improving Facial Attribute Prediction},
author = {Fariborz Taherkhani and Ali Dabouei and Sobhan Soleymani and Jeremy Dawson and Nasser M. Nasrabadi},
journal= {arXiv preprint arXiv:2108.04353},
year = {2021}
}