- 《Facial Landmark Detection by Deep Multi-task Learning》2014
要解決的問題：人臉關鍵點的檢測
創新點：在人臉關鍵點檢測的同時進行多個任務的學習，包括：性別，是否帶眼鏡，是否微笑和臉部的姿勢。使用這些輔助的屬性可以更好的幫助定位關鍵點。這種Multi-task learning的困難在於：不同的任務有不同的特點，不同的收斂速度。針對這兩個問題，文章給出前者的解決辦法是tasks-constrained deep model，對後者解決辦法是task-wise early stopping。文章中的方法在處理有遮擋和姿勢變化時表現較好，而且模型比較簡單。
網絡結構：
實驗中，作者對不同的輔助任務跟主任務人臉關鍵點檢測進行不同形式的組合，證明了輔助任務對於關鍵點檢測的準確性有提高作用。
1）tasks-constrained deep model
傳統的多任務學習把每個任務都賦予相同的權重，損失函數就是不同任務的損失函數直接相加。而在人臉特徵點檢測的任務中，不同的任務具有不同的loss，特徵點檢測是平方和誤差，而其它分類任務是交叉熵誤差，在訓練時，各個任務使用相同的特徵，只有在最後一級
才根據任務的不同做不同的處理（分類或者回歸）。不同的任務設置不同的權重參數。
2）Task-wise early stopping
針對多任務學習的特點，作者提出了一種新的early stopping方法。當輔助任務達到最好表現以後，這個任務就對主要任務沒有幫助了，就可以停止這個任務。難點在於什麼時候進行停止，更多的是根據經驗來判斷，作者的着重點在於關鍵點的檢測，部分的犧牲了輔助任務的性能。