论文提要“Pedestrian Detection aided by Deep Learning Semantic Tasks”

对于行人检测，以往的深度学习将其作为二值分类问题，这样易与困难的负样本混淆。本文将行人检测细分为行人属性（背部，性别和视角）和场景属性（车辆，树木等），目标是在高层特征空间分离或聚合相似的属性结构，如图2（c）所示。

为了避免大量负样本的标记，作者使用了数据库背景场景分割的结果。提出TACNN使用多种数据库学习多类问题。不同数据的背景B数据分布不同，作者transfer了两类场景属性，包括共享的属性和非共享的属性。

方法描述
行人检测系统框架如下图所示，使用一个TACNN联合学习行人分类，行人属性和场景属性。将Caltech中的正样本使用9类属性来标记，这些属性主要由进行监控分析的HK警方提供。

9类正样本及共享和非共享的负样本属性如下表所示

公式化TA-CNN
TA-CNN是优化以下log后验概率：
（1）
为了解决P及B之间的差距，作者计算每个样本 xn 的结构化投影向量 zn ，loss函数变为：
（2）

SPV
将P中的正负样本组织到两个树形结构中，每个子节点对父节点进行聚类，SPV通过串联距离和每个叶子节点的均值获得。在每个父节点，提取样本的HOG特征并使用k-means聚集数据。正负样本的树形结构如下图所示：

TA-CNN网络学习
为了学习网络参数W，将（2）式重新公式化为softmax损失函数，即，
(3)

公式（3）将8个损失函数放在一起优化，会导致两个问题，1）不同的任务收敛速率不同，多任务同时训练会导致过拟合；2）如果特征维度比较高，网络高层的参数会很多，为了解决这两个问题，将（3）式转化为multivariate cross-entropy loss，