Mehrere Aufgaben erfüllendes CNN-Modell für die Attributvorhersage

Dieses Papier schlägt einen gemeinsamen Mehrfach-Aufgaben-Lernalgorithmus vor, um die Vorhersage von Attributen in Bildern durch tiefgreifende Faltungsneuronale Netze (CNN) zu verbessern. Wir betrachten das Lernen binärer semantischer Attribute mittels eines Mehrfach-Aufgaben-CNN-Modells, bei dem jedes CNN ein einzelnes binäres Attribut vorhersagt. Das Mehrfach-Aufgaben-Lernen ermöglicht es den CNN-Modellen, visuelles Wissen gleichzeitig unter verschiedenen Attributkategorien zu teilen. Jedes CNN wird attributspezifische Merkmalsrepräsentationen erzeugen, und dann wenden wir das Mehrfach-Aufgaben-Lernen auf diese Merkmale an, um ihre Attribute vorherzusagen. In unserem Mehrfach-Aufgaben-Rahmenwerk schlagen wir eine Methode vor, um die Gesamtmodellparameter in eine latente Aufgabensmatrix und eine Kombinationsmatrix zu zerlegen. Darüber hinaus können unterrepräsentierte Klassifikatoren statistische Informationen von anderen Klassifikatoren nutzen, um ihre Leistung zu verbessern. Eine natürliche Gruppierung der Attribute wird angewendet, sodass Attribute innerhalb derselben Gruppe ermutigt werden, mehr Wissen zu teilen. Gleichzeitig werden Attribute aus verschiedenen Gruppen tendenziell miteinander konkurrieren und daher weniger Wissen teilen. Wir zeigen die Effektivität unserer Methode anhand zweier beliebter Attributdatensätze.