本文探讨了多任务学习在人脸识别中的应用及优化方法，提出了一种多任务卷积神经网络，动态加权方案，姿态指导的多任务卷积神经网络和一种基于能量的权重分析方法，并在 Multi-PIE 数据集上进行了有效性测试。得出结论指出，多任务学习在人脸识别中作为规则化项，可以将身份特征与变量解耦，并展现该方法在公开数据集上的实验表现。

Feb, 2017

挑战现有多任务学习 (MTL) 框架，提出新方法通过分布匹配实现任务间的知识交流，证明少量注释或非重叠注释情况下的 MTL 仍能成功，且在各个领域的案例研究中均带来了较大的性能提升。

Jan, 2024

本文提出了一种基于分布匹配的方法，将多个任务进行弱监督的共同训练，建立了第一个全面学习面部行为的框架 FaceBehaviorNet，并利用该框架进行了零 / 少样本学习，实现了好于现有方法的效果。

May, 2021

本文提出利用多任务学习中的软参数共享机制，在卷积神经网络中加入侧向转换块，并使用跳接连接的方式提取各深度的任务特定特征，从而在面部关键点检测等相关任务中取得更好的精度和深度特定影响的知识共享效果。

Oct, 2017

提出一种名为 Convex Clustering Multi-Task regression Learning (CCMTL) 的算法，通过在预测模型的 k 近邻图上与凸聚类相结合，并使用新提出的优化方法有效地解决底层凸问题，使得其能够在包含大量任务的问题中实现准确性、高效性和线性可扩展性，并在真实世界和合成数据集上优于 7 种现有的 state-of-the-art 多任务学习方法。

Nov, 2018

本文提出了一种基于 CNN 和度量学习的两阶段方法，以实现面部验证和识别。实验表明，该方法优于其他最先进的方法，获得 99.77% 的成对验证准确度，并在其他两个更实用的协议下获得更好的准确度。本文也讨论了数据大小和补丁数量的重要性，展示了通往实际高性能面部识别系统的明确途径。

Jun, 2015

提出了一种使用新的算法从人脸图像中提取 MDML-DCP 来执行光照、姿势和表情变化的无约束人脸识别，实验结果表明该算法优于局部描述符的表现，在具有挑战性的 LFW 和 FRGC 2.0 数据库上实现了最好的性能。

Jan, 2014

本文提出了一种非线性局部度量学习方法（NLML），利用局部度量学习和深度神经网络的优点来学习多组非线性转换，通过在转换后的特征子空间中强制正面行人图像对的距离与负面对距离之间的边界，从而有效地利用识别信息，本文通过在公共数据集上进行实验，证明了该方法在人物重新识别方面取得了最先进的结果。

Nov, 2015

本文提出了一种基于联合深度学习的异构人脸匹配方法，该方法通过在特征空间中寻找共享特征空间，将异构人脸匹配问题近似为同质人脸匹配问题。实验结果表明，该方法可以在具有挑战性的 CASIA NIR-VIS 2.0 人脸识别数据库以及 IIIT-D Sketch 数据库、CUHK Face Sketch（CUFS）和 CUHK Face Sketch FERET（CUFSF）等数据库上实现更好的性能。

Apr, 2017

本文章提出了一种基于深度多任务学习的方法，使用卷积神经网络来估计单张人脸图像中的多个异质属性，并在 MORPH II、LFW + 等数据库上进行了实验，取得了优秀的性能。

Jun, 2017