属性预测相关论文阅读Ⅱ

原文链接： https://mp.weixin.qq.com/s?__biz=MzU4OTgzNjQ3OQ==&mid=2247483682&idx=1&sn=00a0ba6dde4462c7e1c17c091327e572&chksm=fdc638f2cab1b1e4f24f0781b7fb6e94ed4b27d301c9817dfa111b5fbb0909e63a3dfcb5a08e&token=2060489942&lang=zh_CN#rd

转载自属性预测论文

Cao J, Li Y, Zhang Z. Partially shared multi-task convolutional neural network with local constraint for face attribute learning[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 4290-4299.

1 Motivation
1） 利用不同属性组之间的联系能够帮助提高准确度。
2） 类别属性能够帮助提升局部信息的作用。
2 Contribution
1） 提出了一个新的网络，有一个分支能够学习共享的特征，其他的分支是针对不同属性的。
2） 将类别作为一个属性一起学习。
下图表示本文提出的方法和普遍采用的方法之间的区别。
右边为普遍采用的方式，存在着难以有最好划分，各分支之间的特征没有结合的问题。
左边为本文提到的PS结构，包含TSNet（task specific net）和SNet（shared network），SNet能够整合不同属性的特征。

具体操作为：（H表示一系列处理）

基于上述的PS结构，提出了PS-MCNN网络，结构为：

一共有5个分支，四个为TSNet，一个为SNet。根据对PS结构的描述，PS-MCNN能够较好的理解。
损失函数方面：
采用LCLoss（类似于对比损失函数）：
（这个想法在于如果我们对TSNet做LCLoss，会有对其的问题，而对SNet监督，这个问题能够较好的缓解）

总体损失函数为：

ALoss应该是交叉熵损失函数，用于学习不同属性。
Loss函数的选择为：