转载自属性预测论文
Cao J, Li Y, Zhang Z. Partially shared multi-task convolutional neural network with local constraint for face attribute learning[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 4290-4299.
1 Motivation
1) 利用不同属性组之间的联系能够帮助提高准确度。
2) 类别属性能够帮助提升局部信息的作用。
2 Contribution
1) 提出了一个新的网络,有一个分支能够学习共享的特征,其他的分支是针对不同属性的。
2) 将类别作为一个属性一起学习。
下图表示本文提出的方法和普遍采用的方法之间的区别。
右边为普遍采用的方式,存在着难以有最好划分,各分支之间的特征没有结合的问题。
左边为本文提到的PS结构,包含TSNet(task specific net)和SNet(shared network),SNet能够整合不同属性的特征。
具体操作为:(H表示一系列处理)
基于上述的PS结构,提出了PS-MCNN网络,结构为:
一共有5个分支,四个为TSNet,一个为SNet。根据对PS结构的描述,PS-MCNN能够较好的理解。
损失函数方面:
采用LCLoss(类似于对比损失函数):
(这个想法在于如果我们对TSNet做LCLoss,会有对其的问题,而对SNet监督,这个问题能够较好的缓解)
总体损失函数为:
ALoss应该是交叉熵损失函数,用于学习不同属性。
Loss函数的选择为: