Jan, 2016

多任务 CNN 模型用于属性预测

PDF
TL;DR本研究提出了一种联合多任务学习算法，利用深度卷积神经网络（CNN）更准确地预测图像属性。研究考虑通过多任务 CNN 模型学习二进制语义属性，每个 CNN 将预测一个二进制属性。多任务学习允许 CNN 模型在不同属性类别之间共享视觉知识，进而进一步应用于属性预测之中。
multi-task learningconvolutional neural networksattribute predictionfeature representationsunder-sampled classifiers
发现论文，激发创造
  • 用于属性改进的属性：属性分类的多任务网络

    通过使用多任务深度卷积神经网络 (MCNN)，共享所有属性的最低层，共享相关属性的更高层，并在 MCNN 上构建辅助网络以利用所有属性的分数来提高每个属性的最终分类，我们可以利用属性关系来提高属性分类器的准确性。我们在两个具有挑战性的公开数据集上展示了我们方法的有效性。

    Apr, 2016

  • 深度多任务多标签卷积神经网络用于有效的面部属性分类

    本研究提出了一种新型的深度多任务多标签卷积神经网络（DMM-CNN），通过联合优化面部地标检测和面部属性分类两个紧密相关的任务以利用多任务学习来提高面部属性分类的性能，并针对不同的学习复杂性将面部属性分为两组，为两组属性设计不同的网络架构，并提出一种新的动态加权方案来自动分配损失权重。此外，还开发了一种自适应阈值策略来有效地缓解多标签学习的类别不平衡问题。实验结果表明，与几种最先进的 FAC 方法相比，所提出的 DMM-CNN 方法在具有挑战性的 CelebA 和 LFWA 数据集上具有优越性。

    Feb, 2020

  • 多任务网络中的全自适应特征共享及其在个人属性分类中的应用

    本文提出了一种以紧凑的多任务深度学习架构为设计目标的方法，使用一种推动类似任务聚集的新标准在训练期间贪心地扩大网络，以优化多任务学习的泛化性能并在人员属性分类任务中取得最先进的精度。

    Nov, 2016

  • 知识图谱中非离散属性预测的多任务神经网络

    本文中，我们提出了一种新颖的基于多任务神经网络的方法，用于在关系学习环境中编码、融合和预测非离散属性信息，该方法在关系三元组分类和属性值预测任务中优于现有的许多方法。

    Aug, 2017

  • 面部属性分类的级联卷积神经网络多任务学习

    提出了一种基于多任务联合训练的级联卷积神经网络方法（MCFA），用于同时预测多个面部属性，该方法采用新颖的动态加权方案自动为每个面部属性分配损失权重，实现粗到细的联合训练，能够实现端到端优化。实验结果表明，该方法在 CelebA 和 LFWA 数据集上优于几种最先进的 FAC 方法。

    May, 2018

  • 面向行人属性识别的属性感知池化

    通过设计新颖的属性感知池化算法，本论文将深度卷积神经网络 (CNN) 的强大功能扩展到行人属性识别问题，充分利用不同属性之间的相关性解决多属性分类的挑战，并在基准数据集上进行了实验验证。

    Jul, 2019

  • 深度雕刻：通过雕刻深度神经网络发现视觉属性

    本文提出了一种针对弱监督学习场景下的视觉属性发现方法，并介绍了一种用于多属性预测的卷积神经网络训练过程 Deep-Carving，实验结果表明该方法在视觉属性预测精度上有较大提升。

    Apr, 2015

  • 一种由面部属性预测增强的深度人脸识别网络

    该研究提出了一种新的深度学习框架，预测面部属性并将其作为软模态来提高面部识别性能，并且在预测属性和面部特征中融合以改进面部识别性能。实验结果表明，该模型在面部识别和属性预测性能方面都有很好的表现，特别是在身份面部属性预测方面。

    Apr, 2018

  • 图像审美评价的多任务卷积神经网络

    本研究提出了一种考虑多个审美属性的多任务卷积神经网络，在预测图像整体审美得分方面具有超越同类方法和接近人类表现的优势，并且相对于文献中现有多任务神经网络，具有更高的计算效率。

    May, 2023

  • 基于序列的人物属性识别与联合 CTC-Attention 模型

    本文提出了一种联合 CTC-Attention 模型（JCM），该模型将属性标签映射到序列中以学习属性之间的语义关系，并采用神经网络将图像编码为序列，采用了注意力模型解码序列，从而更好地学习语义信息，实验结果表明该方法对属性识别具有有效性。

    Nov, 2018