行人属性“Fully-adaptive Feature Sharing in Multi-Task Networks with Applications in Person Attribute Cl”
2017-10-13 11:35
901 查看
多任务深度学习网络,一般是先设计网络有一些共享层,然后有多个分支学习不同的任务。论文从一个较瘦的网络开始,逐渐加粗。任务间进行选择性共享,挖掘那些任务之间更相关。thin网络使用SOMP初始化。
task-specific子网络或分支:浅层特征共享,深层特征task-specific,类似属性结构。计算量大,且受设计者主观认识影响。
相关研究
多任务学习:一些方法认识到哪些任务之间可以共享。HyperFace进行人脸检测,landmark定位,姿态估计和性别识别等多任务的学习。UberNet,MultiNet,Cross-ResNet。
模型压缩和加速
行人属性识别:监控场景提升行人再人证,电子商务提升衣物检索,人脸属性提升人脸检测和矫正。state-of-the-art[5][24][44][49]。
方法描述
1. 瘦网络初始化及滤波器选择
VGG-16的瘦身版,thin-w模型,w是瘦身因子,瘦身版的模型与原始VGG-16对比为:
![](https://oscdn.geek-share.com/Uploads/Images/Content/202011/16/e9173830dfc496d2bda5a20c8031bc1d)
瘦身版卷积层的参数W0,l从原始预训练的参数Wp,l中选取,最小化目标函数:
![](https://oscdn.geek-share.com/Uploads/Images/Content/202011/16/0afbc21cd97d21d0cca99ba81b5e5c2a)
使用贪心SOMP寻找近似解w∗(l),算法描述为:
![](https://oscdn.geek-share.com/Uploads/Images/Content/202011/16/7869d2a24f4a563a3ef9e262201cf681)
2. 逐层加宽
结合点:网络分割成两个或多个子网络或分支,对于行人属性,每个子网络的预测是sigmoid单元,生成归一化的属性置信度得分。
论文仅在结合点加宽网络,扩展后新增加的矩阵参数与扩展器参数矩阵大小相同,网络在扩展点有多个输出:yl−1j=σl−1(P(Wl−1j)xl−1)forj∈[c]
扩展的示意图为:
![](https://oscdn.geek-share.com/Uploads/Images/Content/202011/16/42cf90ff8b496ed15af904024f6f2ad3)
3. 任务聚合
相似度小的任务分割的早,共享的特征少。对于某个任务分支来说容易识别的样本,对另外一个任务来说可能是困难的样本。task之间的密切关系为:
![](https://oscdn.geek-share.com/Uploads/Images/Content/202011/16/eecdfba220b9d59e5ef0afba1bb27aca)
密切关系反应任务集合,两个分支的密切关系为:
![](https://oscdn.geek-share.com/Uploads/Images/Content/202011/16/dbd67407d1725d25c3cf0cd89076dc71)
密切关系得分为Ab(k,l)=(Ab(k,l)+Ab(l,k))/2,Ab(k,l)通过观察任务间最大距离衡量两个分支间密切关系。
4. 宽度选择
损失函数为:Ll(gd)=(d−1)L02pl+αLs(gd)。
其中(d−1)L02pl是新增分支的惩罚项,αLs(gd)是分割的惩罚项。α是分支因子,大的分支因子鼓励分割。分割想是分支密切关系矩阵的函数,即:
![](https://oscdn.geek-share.com/Uploads/Images/Content/202011/16/f24980e424ab3a2049f2ebc9865628be)
上式定义了相同集合中任务间的最大距离,惩罚相同分支中不相似的任务。
实验结果
CelebA人脸属性分类和DeepFashion衣物属性分类
![](https://oscdn.geek-share.com/Uploads/Images/Content/202011/16/76d180fd073b1453941cb47903af8585)
Branch-32-2.0 模型的实际task归类:
task-specific子网络或分支:浅层特征共享,深层特征task-specific,类似属性结构。计算量大,且受设计者主观认识影响。
相关研究
多任务学习:一些方法认识到哪些任务之间可以共享。HyperFace进行人脸检测,landmark定位,姿态估计和性别识别等多任务的学习。UberNet,MultiNet,Cross-ResNet。
模型压缩和加速
行人属性识别:监控场景提升行人再人证,电子商务提升衣物检索,人脸属性提升人脸检测和矫正。state-of-the-art[5][24][44][49]。
方法描述
1. 瘦网络初始化及滤波器选择
VGG-16的瘦身版,thin-w模型,w是瘦身因子,瘦身版的模型与原始VGG-16对比为:
瘦身版卷积层的参数W0,l从原始预训练的参数Wp,l中选取,最小化目标函数:
使用贪心SOMP寻找近似解w∗(l),算法描述为:
2. 逐层加宽
结合点:网络分割成两个或多个子网络或分支,对于行人属性,每个子网络的预测是sigmoid单元,生成归一化的属性置信度得分。
论文仅在结合点加宽网络,扩展后新增加的矩阵参数与扩展器参数矩阵大小相同,网络在扩展点有多个输出:yl−1j=σl−1(P(Wl−1j)xl−1)forj∈[c]
扩展的示意图为:
3. 任务聚合
相似度小的任务分割的早,共享的特征少。对于某个任务分支来说容易识别的样本,对另外一个任务来说可能是困难的样本。task之间的密切关系为:
密切关系反应任务集合,两个分支的密切关系为:
密切关系得分为Ab(k,l)=(Ab(k,l)+Ab(l,k))/2,Ab(k,l)通过观察任务间最大距离衡量两个分支间密切关系。
4. 宽度选择
损失函数为:Ll(gd)=(d−1)L02pl+αLs(gd)。
其中(d−1)L02pl是新增分支的惩罚项,αLs(gd)是分割的惩罚项。α是分支因子,大的分支因子鼓励分割。分割想是分支密切关系矩阵的函数,即:
上式定义了相同集合中任务间的最大距离,惩罚相同分支中不相似的任务。
实验结果
CelebA人脸属性分类和DeepFashion衣物属性分类
Branch-32-2.0 模型的实际task归类:
相关文章推荐
- Fully-adaptive Feature Sharing in Multi-Task Networks with Applications in Person Attribute Classifi
- 行人属性“Multi-attribute Learning for Pedestrian Attribute Recognition in Surveillance Scenarios”
- Multi-Task Learning with Low Rank Attribute Embedding for Person Re-identification
- 行人属性“Person Attribute Recognition with a Jointly-trained Holistic CNN Model”
- Synchronization in Multithreaded Applications with MFC
- 论文阅读(Xiang Bai——【CVPR2016】Multi-Oriented Text Detection with Fully Convolutional Networks)
- 行人属性“Generative Adversarial Models for People Attribute Recognition in Surveillance”
- 行人检测“Pedestrian Detection with Unsupervised Multi-Stage Feature Learning”
- 医学图像分割--Stacked fully convolutional networks with multi-channel learning
- 多进程---错误解决AttributeError: Can't get attribute 'long_time_task' on <module '__main__' (built-in)>
- 深度学习tracking学习笔记(1):Visual Tracking with Fully Convolutional Networks
- ActivateOnDefault & AutoActivateInCentralAdmin feature 属性
- 论文笔记之---Learning Deep Feature Representations with Domain Guided Dropout for Person Re-identificatio
- Create custom Task List and Forms in SharePoint 2010 with Visual Studio 2012
- magento如何获取产品属性值 How to Obtain Custom Attribute Values in Magento
- Assertion failure in -[MASViewConstraint addConstraintWithLayoutAttribute:],'Attributes should be ch
- Running ASP.NET 5 applications in Linux Containers with Docker
- Adaptive Deconvolutional Networks for Mid and High Level Feature Learning(阅读)
- 论文《Inside-Outside Net: Detecting Objects in Context with skip pooling and Recurrent Neural Networks》
- How to get the running applications in windows task manager using powershell