Attribute – oder semantische Merkmale – haben in den letzten Jahren in verschiedenen Bereichen an Bedeutung gewonnen, von der Aktivitätserkennung in Videos bis hin zur Gesichtsverifizierung. Die Verbesserung der Genauigkeit von Attributklassifizierern stellt einen wichtigen ersten Schritt bei jeder Anwendung dar, die diese Merkmale nutzt. In den meisten bisherigen Arbeiten wurden Attribute als unabhängig betrachtet. Dies ist jedoch nicht der Fall. Viele Attribute sind stark miteinander korreliert, beispielsweise „starker Make-up-Unterstrich“ und „Lippenstifttragen“. Wir schlagen vor, Attributebeziehungen auf drei Arten zu nutzen: durch den Einsatz eines mehrfach aufgabenorientierten tiefen neuronalen Convolutional Neural Networks (MCNN), bei dem die tiefsten Schichten für alle Attribute gemeinsam genutzt werden; durch gemeinsame Nutzung der höheren Schichten für verwandte Attribute; sowie durch den Aufbau eines Hilfsnetzwerks oberhalb des MCNN, das die Scores aller Attribute nutzt, um die endgültige Klassifikation jedes einzelnen Attributs zu verbessern. Wir belegen die Wirksamkeit unseres Ansatzes anhand von Ergebnissen auf zwei anspruchsvollen, öffentlich verfügbaren Datensätzen.