摘要

得益于深度多任务网络中多个任务的联合学习，众多应用在性能上已展现出相较于单任务学习的显著优势。然而，多任务学习框架的性能高度依赖于各任务之间的相对权重分配。如何合理设定每个任务的权重，成为多任务学习中的关键问题。与手动调参所带来耗时且繁琐的弊端不同，本文提出一种能够根据任务训练难度动态自适应调整任务权重的方法。该方法无需引入额外的超参数，其结构简洁，便于其他多任务深度学习网络轻松实现或复现。本文以基于深度多任务卷积神经网络（CNNs）的单图像人脸表情识别与人脸识别任务为例，验证了所提方法的有效性。理论分析与实验结果均表明，所提出的动态多任务学习方法具有显著优势。相较于当前先进的单任务学习方法，该动态加权的多任务学习框架在各项任务上的性能均得到明显提升。