يُقدّم هذا البحث خوارزمية تعلّم متعدّد المهام مشتركة لتحسين تنبؤ السمات في الصور باستخدام الشبكات العصبية التلافيفية العميقة (CNN). وننظر إلى تعلّم السمات الشكلية الثنائية من خلال نموذج CNN متعدد المهام، حيث يقوم كل شبكة CNN بتنبؤ سمة ثنائية واحدة. يمكّن تعلّم المهام المتعددة النماذج الشبكية من مشاركة المعرفة البصرية بشكل متزامن بين فئات السمات المختلفة. وستُولِّد كل شبكة CNN تمثيلات مميزة للسمات، ثم نطبّق تعلّم المهام المتعددة على هذه التمثيلات للتنبؤ بسمات الصور. وفي إطارنا المتعدد المهام، نقترح طريقة لتفكيك معاملات النموذج الكلي إلى مصفوفة مهمة خفية ومصفوفة توليفية. علاوة على ذلك، يمكن لل classifiers غير الكافية العينة الاستفادة من الإحصائيات المشتركة مع غيرها من classifiers لتحسين أدائها. ونُطبّق تجميعًا طبيعيًا للسمات بحيث تُشجّع السمات التي تنتمي إلى نفس المجموعة على مشاركة معرفة أكبر، في حين تتنافس عادة السمات التي تنتمي إلى مجموعات مختلفة، مما يؤدي إلى مشاركة أقل للمعرفة. ونُظهر فعالية طريقة العمل لدينا على مجموعتي بيانات شعبيتين للسمات.