基于信息共享，提出了一种广义框架来联合估计面部的序数和名义属性，并通过考虑每个属性估计任务的同方差不确定性来权衡多个损失函数，以实现面部多属性的最优估计，并降低多任务学习的训练成本，与现有方法相比，实验证明所提出的方法具有优越的性能，最后，讨论了面部属性估计的偏差问题，并验证其在边缘系统上的可行性。

Mar, 2024

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

本文提出一种基于多任务学习和图注意力层的人脸多属性识别方法，通过对属性关系的挖掘来提高 CelebA 和 LFWA 数据集上的识别准确率。

Oct, 2018

本文提出一种新型的任务约束深度模型，通过学习相互关联的异质性面部属性，如性别、表情和外貌属性，与地标检测问题的联合优化，有效提高了地标检测的鲁棒性。通过广泛的评估，表明所提出的任务约束学习方法不仅在处理具有严重遮挡和姿态变化的面部影像方面优于现有的面部对齐方法，而且与基于级联深度模型的现有方法相比，明显减少了模型复杂度。

Aug, 2014

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

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

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

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

本文提出了一种深度异构特征融合网络，用于增强不同深度卷积神经网络生成的特征之间的关联性，以实现基于模板的人脸识别任务，并在 IARPA Janus Challenge Set 3 (Janus CS3) 数据集上证明了本方法的有效性。

Feb, 2017

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