摘要
本文提出了一种联合多任务学习算法，旨在利用深度卷积神经网络（CNN）更好地预测图像中的属性。我们考虑通过一个多任务CNN模型来学习二元语义属性，其中每个CNN将预测一个二元属性。多任务学习允许不同的属性类别之间同时共享视觉知识。每个CNN将生成特定于属性的特征表示，然后我们在这些特征上应用多任务学习以预测其属性。在我们的多任务框架中，我们提出了一种方法，将整体模型的参数分解为潜在任务矩阵和组合矩阵。此外，欠采样的分类器可以利用其他分类器的共享统计信息来提高其性能。我们对属性进行了自然分组，使得同一组内的属性被鼓励共享更多的知识。而不同组之间的属性通常会相互竞争，因此共享的知识较少。我们在两个流行的属性数据集上展示了该方法的有效性。