17.3.22 Multi-task Convolutional Nerual Network for Face Recognition 小感

最近读了Multi-task Convolutional Nerual Network for Face Recognition，本文主要利用了多任务学习的知识，详见http://blog.csdn.net/u011732139/article/details/61912960

首先，本文的主要贡献有四点：
1.解释了为什么可以利用多任务学习的方法（子任务是姿态，遮挡和表情，简称PIE）能够提高人脸识别的准确率。
2.提出了一种动态权重的方法，可以用这种方法来自动确定各个子任务之间的权重。
3.提出了一种基于姿态的多任务CNN来解决姿态问题
4.这是首个利用了整个Multi-PIE数据库来进行人脸识别的研究学习，并且在Multi-PIE, LFW, CFP and IJB-A这几个数据库上取得了较好的结果。

论文的第一部分首先介绍利用多任务学习的好处。一张简单的图可以比较好的解释。

在本文中，作者假设所有的任务都会公用同一张人脸特征。对于一个姿态变化较多的人脸数据库，利用单任务学习的方法可能学到的一个便捷如图左所示，每一类之间会存在一定的不可分区域，然而利用多任务学习，每个子任务（姿态）只会对每一类的影响较小，子任务只起到辅助的任务，所以显然可分。
人脸识别任务中主要的困难之处在于人脸的姿态，遮挡，（光照变化）和表情，简称为PIE。本文选取这三点作为子任务。

本文提出了多任务CNN的框架如图所示。

其中，



分别表示每一项任务的重要性。

接着本文提出了动态权重的方法（Dynamic-weighting scheme）
在这里，作者将主要任务权重设为1，设定一个新变量
所以可以得到：

其中，新变量的大小应该小于1.

接着作者提出了给予姿态的多任务CNN。在这种方法里，作者将所有的人脸分为三个类，类别范围为：



接着作者通过一系列的实验（实验有点多），从实验结果来看，还是比较不错的。