摘要
在本研究中，我们表明地标检测或面部对齐任务并不是一个单一且独立的问题。相反，通过辅助信息可以显著提高其鲁棒性。具体而言，我们将地标检测与异质但微妙相关的面部属性识别（如性别、表情和外观属性）联合优化。这并非易事，因为不同的属性推断任务具有不同的学习难度和收敛速度。为了解决这一问题，我们提出了一种新颖的任务约束深度模型，该模型不仅学习了任务间的相关性，还采用了动态任务系数来促进多任务复杂学习过程中的优化收敛。大量评估结果表明，所提出的任务约束学习方法（i）优于现有的面部对齐方法，尤其是在处理严重遮挡和姿态变化的面部时；（ii）与基于级联深度模型的最先进方法相比，大幅降低了模型复杂度。