在碎片化閱讀充斥眼球的時代，越來越少的人會去關(guān)注每篇論文背后的探索和思考。

在這個欄目里，你會快速 get 每篇精選論文的亮點和痛點，時刻緊跟 AI 前沿成果。

點擊本文底部的「閱讀原文」即刻加入社區(qū)，查看更多最新論文推薦。

這是 PaperDaily 的第?77?篇文章

本期推薦的論文筆記來自 PaperWeekly 社區(qū)用戶 @Cratial。多任務(wù)學(xué)習(xí)是機器學(xué)習(xí)的重要組成部分，但是對于應(yīng)用深度學(xué)習(xí)進行多任務(wù)學(xué)習(xí)時會遇到一個棘手的問題，那就是我們該如何確定網(wǎng)絡(luò)的共享部分。針對不同的任務(wù)，其最佳共享層往往不同。

此外，針對不同的多任務(wù)學(xué)習(xí)，我們需要根據(jù)任務(wù)需求設(shè)計不同的共享層，并沒有統(tǒng)一的標(biāo)準(zhǔn)。因此，本文針對這一問題設(shè)計了“十字繡”單元，通過端對端的學(xué)習(xí)來自動決定共享層。

如果你對本文工作感興趣，點擊底部閱讀原文即可查看原論文。

關(guān)于作者：吳仕超，東北大學(xué)碩士生，研究方向為腦機接口、駕駛疲勞檢測和機器學(xué)習(xí)。

■?論文 | Cross-stitch Networks for Multi-task Learning

■ 鏈接 | https://www.paperweekly.site/papers/1969

■ 作者 | Ishan Misra / Abhinav Shrivastava / Abhinav Gupta / Martial Hebert

引出主題

多任務(wù)學(xué)習(xí)是機器學(xué)習(xí)的重要組成部分，但是在應(yīng)用深度學(xué)習(xí)進行多任務(wù)學(xué)習(xí)時會遇到一個棘手的問題，那就是我們該如何確定網(wǎng)絡(luò)的共享部分。針對不同的任務(wù)，其最佳共享層往往不同。?

本文使用 AlexNet 網(wǎng)絡(luò)分別進行圖像檢測、圖像屬性生成及圖像語義分割、圖像平面法向量生成（Surface Normal）等多任務(wù)學(xué)習(xí)。針對兩個任務(wù)，作者分別從 fc8 層進行共享，一直測試到兩者完全不進行共享的為止。

▲?圖1

實驗結(jié)果如圖 1 所示，其中，圖 1（b）是不同共享層完全獨立時的效果對比，可以看出對于任務(wù)一來說，共享部分在 conv4 時所能達到的效果，針對于任務(wù)二來說，在 fc7 層的效果最好。

此外，針對不同的多任務(wù)學(xué)習(xí)，我們需要根據(jù)任務(wù)需求設(shè)計不同的共享層，并沒有統(tǒng)一的標(biāo)準(zhǔn)。因此，本文針對這一問題設(shè)計了“十字繡”單元，通過端對端的學(xué)習(xí)來自動決定共享層。

“十字繡”單元與網(wǎng)絡(luò)設(shè)計

Cross-stitch Unit

本文的核心就在這里，設(shè)計“十字繡”單元的思想如圖 2 所示，通過在兩個網(wǎng)絡(luò)的特征層之間增加“十字繡”單元可以使網(wǎng)絡(luò)自動學(xué)習(xí)到需要共享的特征。

▲?圖2

其中的“十字繡”單元就是一個系數(shù)矩陣。其表達式如式（1）所示。

針對這個“十字繡”單元如何進行端對端學(xué)習(xí)呢？作者給了具體的計算公式：

在下文中，為了方便，將 αAB 及 αBA 統(tǒng)稱為 αD 表示不同任務(wù)的權(quán)重值，αAA 及 αBB 統(tǒng)稱為 αS 表示相同任務(wù)的權(quán)重值。

“十字繡”網(wǎng)絡(luò)設(shè)計?

圖 3 是作者通過對網(wǎng)絡(luò)添加“十字繡”單元設(shè)計的網(wǎng)絡(luò)。

▲?圖3

網(wǎng)絡(luò)設(shè)計好之后，作者又針對網(wǎng)絡(luò)提出了以下幾個問題：?

1. 如何對“十字繡”單元進行初始化，及如何設(shè)置“十字繡”單元的學(xué)習(xí)速率？?

作者認為初始值設(shè)置應(yīng)該在 [0,1] 之間，此外，作者還針對初始值及學(xué)習(xí)速率的設(shè)計進行了實驗，以決定如何對兩者進行設(shè)計能夠達到最優(yōu)效果。

2. 如何對網(wǎng)絡(luò) A 和 B 進行初始化？

如何對 A、B 進行初始化呢？作者提出了兩種方案，第一種就是網(wǎng)絡(luò)全用由 ImageNet 訓(xùn)練出的參數(shù)進行初始化，然后對整個“十字繡”網(wǎng)絡(luò)進行訓(xùn)練。第二種是針對一種任務(wù)在網(wǎng)絡(luò)上進行微調(diào)，然后再添加“十字繡”單元，并對網(wǎng)絡(luò)進行訓(xùn)練。?

參數(shù)選取?

針對 2.2 中提到的兩個問題，作者分別嘗試了不同的策略來對參數(shù)進行選擇。實驗結(jié)果如表 1 所示：

▲?表1

在對“十字繡”單元進行訓(xùn)練時作者發(fā)現(xiàn)，用來更新網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)速率相對于“十字繡”單元而言太小了，以至于無法得到好的效果，實驗結(jié)果如表 2 所示：

▲?表2

關(guān)于如何對網(wǎng)絡(luò) A、B 進行初始化，作者同樣進行了實驗，實驗結(jié)果如表 3 所示：

▲?表3

表 4 展示了在 αD 及 αS 取不同的初始值時，最終網(wǎng)絡(luò)各層各個通道的 αD 及 αS 的值的分布情況。其中 αD 越大說明共享程度越大，αS 越大，說明特征的特殊性越強。

▲?表4

實驗及結(jié)果分析

為驗證本文算法的有效性，作者分別在 NYU-v2 數(shù)據(jù)集進行了圖像語義分割及圖片平面法向量生成實驗，在 PASCAL VOC 2008 數(shù)據(jù)集上進行了物體檢測和屬性預(yù)測實驗。?

作者分別針對單任務(wù)網(wǎng)絡(luò)、結(jié)合兩個單任務(wù)的網(wǎng)絡(luò)（文中稱為“ensemble”）、多任務(wù)網(wǎng)絡(luò)（如圖 1 中那樣嘗試在各個特征層共享特征）進行了實驗。平面法向量生成及圖像語義分割的實驗結(jié)果如表 5 所示：

▲?表5

從表 5 可以看出，使用“十字繡”單元的網(wǎng)絡(luò)均能在兩個任務(wù)上得到較好的結(jié)果。此外，作者分析在圖像語義分割任務(wù)中，存在嚴(yán)重的數(shù)據(jù)匱乏問，如圖 5 中黑線所示，wall、floor 的數(shù)據(jù)數(shù)量遠超出其余的類別數(shù)，其中，藍色柱狀表示采用“十字繡”單元的多任務(wù)學(xué)習(xí)相對于單任務(wù)學(xué)習(xí)在效果上的增益，從圖中可以看出，數(shù)量越少的類別所獲得增益越多。

▲?圖5

圖像檢測及屬性預(yù)測的實驗結(jié)果及增益情況分別如表 6 及圖 6 所示：

▲?表6

▲?圖6

總結(jié)與分析

雖然本文作者提到他們的方法相對于傳統(tǒng)方法不需要去依次嘗試如何選取所要共享的特征層，但是增加的“十字繡”單元同樣帶來了很多麻煩的東西，例如，如何進行初始化，如何設(shè)置學(xué)習(xí)速率。最終的實驗結(jié)果表明，使用該方法對多任務(wù)學(xué)習(xí)的性能有一定的提升。

本文由 AI 學(xué)術(shù)社區(qū) PaperWeekly 精選推薦，社區(qū)目前已覆蓋自然語言處理、計算機視覺、人工智能、機器學(xué)習(xí)、數(shù)據(jù)挖掘和信息檢索等研究方向，點擊「閱讀原文」即刻加入社區(qū)！

點擊標(biāo)題查看更多論文解讀：?

• ??Tree-CNN：一招解決深度學(xué)習(xí)中的災(zāi)難性遺忘

• ??深度神經(jīng)網(wǎng)絡(luò)模型壓縮和加速都有哪些方法？

• ??深度強化學(xué)習(xí)在指代消解中的一種嘗試

• ??綜述：圖像風(fēng)格化算法最全盤點

• 5 篇 AAAI 2018 論文看「應(yīng)答生成」

• 深度協(xié)同過濾：用神經(jīng)網(wǎng)絡(luò)取代內(nèi)積建模

▲?戳我查看招募詳情

#作 者 招 募#

讓你的文字被很多很多人看到，喜歡我們不如加入我們

? ? ? ? ? ?

關(guān)于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學(xué)術(shù)平臺。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

▽ 點擊 |?閱讀原文?| 查看原論文

總結(jié)

以上是生活随笔為你收集整理的CMU提出「十字绣网络」，自动决定多任务学习的最佳共享层的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。