Nov, 2016

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

PDF
TL;DR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。
multi-task learningdeep neural networksnetwork architecturestask-specific featuresperson attributes classification
发现论文，激发创造
  • AdaShare：学习数据共享策略以提高深度多任务学习效率

    本文提出了一种自适应共享方法 AdaShare，通过任务特定的策略选择性地决定跨哪些任务共享众多的深度神经网络层，从而实现最佳识别准确度和资源效率。实验表明，该方法针对具有多个任务的不同基准数据集具有优异的效果。

    Nov, 2019

  • 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

  • 多任务 CNN 模型用于属性预测

    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。

    Jan, 2016

  • 多任务深度学习模型与应用的设计观点

    通过共享相关任务的特征和归纳迁移学习，我们试图增强多任务模型的特征映射，并学习各种任务之间的任务关系，以获取更好的多任务学习效益。本章旨在可视化现有的多任务模型，比较它们的性能、评估多任务模型性能的方法，并讨论在各个领域设计和实现这些模型时遇到的问题以及它们取得的优势和里程碑。

    Sep, 2022

  • 可控的动态多任务架构

    本文提出了一种可控的多任务网络，该网络根据用户所需的任务偏好和资源限制以动态方式调整其架构和权重，并通过利用任务亲和性和一种新的分支规则化损失来训练两个超级网络以预测适应权重的树状模型。

    Mar, 2022

  • 面部表情的人脸识别动态多任务学习

    本文提出了一种基于动态多任务学习的方法，它可以根据训练任务的难度动态调整任务权重，从而实现面部识别和面部表情识别的性能提升，并证明其与单任务学习方法相比具有更高的性能。

    Nov, 2019

  • 潜在多任务架构学习

    本文提出了一种基于潜在多任务体系结构的方法，该方法可以在 OntoNotes 5.0 的人造数据和数据中的多种领域和四种不同的任务中，比以往任何一种学习潜在体系结构的多任务问题方法都表现得更优秀，可以实现高达 15% 的平均误差降低率。

    May, 2017

  • 共享内存的深度多任务学习

    本研究提出了两种深度神经网络结构， 加入外部记忆共享于多个任务中训练，实验表明该结构帮助相关任务，提高文本分类任务效果。

    Sep, 2016

  • 分支式多任务网络：决定共享哪些层

    本文提出了一种自动构建分支式多任务网络的方法，通过利用任务的亲和性，在特定预算（可学习参数的数量）内生成架构，在给定预算的情况下，我们的方法始终产生性能最高的网络，而在某些性能阈值下，只需要最少的可学习参数。

    Apr, 2019

  • 多任务学习的分支学习

    本论文提出了一种自动的多任务学习算法，通过提出一种树形结构设计空间和将树形分支操作作为 Gumbel-Softmax 采样过程，实现了可微网络分裂与优化，实现了多任务网络的有效设计。

    Jun, 2020