概述：
TIP2018的文章，實作的是基于Multi-task的網絡實作大pose的人臉識别。
作者：
url：
https://ieeexplore.ieee.org/document/8080244
Motivation：
Multi-task（MTK）的網絡對于task之間往往會互相促進。人臉識别任務可以分為主任務：抛開pose/光照/表情的人臉識别，以及pose光照表情等輔任務，建構multis-task網絡實作pose invariant的人臉識别。
Insight：
1 建構了MTK網絡，實作人臉和三個輔任務pose/illumination/emotion（PIM）的互相促進，并解釋這為什麼work
2 動态的weight來調整三個輔任務PIM的權重
3 提出了一個trick，不同的pose的人臉進入不同的feature extractor，最後拼在一起，加強cross pose的識别性能。
方法：
整體的網絡結構如上，基本都是shared的網絡，最後一層的softmax分為id的前Nd維，pose的Np維，光照的Ni維，表情的Ne維。
整體的Loss：
要實作PIM的權重和維1，作者使用了一個softmax層來實作。第一項為識别主任務，PIM是輔任務，是以有一個權重phi_s且這個權重小于1.
最後，取feature的前M維作為識别的特征，作者認為feature前半部分是抛開了PIM影響的，後小部分是用于分類PIM的，是以不适合用于人臉識别的分類。
作者加了實驗，發現在320維中取前280維作為識别的feature最佳。
作者對feature層和multi-task的softmax層之間的weight進行了統計，發現feature的前280維和分類softmax之前的weight很小，基本都是0，進一步論證前280維的特征和PIM無關，而是專注于人臉的Pose/光照/表情魯棒的人臉特征。
最後，作者對工作進行了擴充，在pose方面，先預估pose，分為3個pose，有3個CNN網絡，每個pose分别進入對應的的CNN網絡，最後合并在一起，這樣進一步提升性能。
實驗：
CFP資料集：
IJB-A:
LFW:
Thinking:
整體實驗上，在LFW并沒有很出衆好，但是在CFP這個pose-frontal的資料上效果挺好的，比一些GAN的方法都好，但是其實感覺主要的提升點都在最後一個trick，不同的pose進入不同的feature-extractor，這一點，在我們的任何base-line中，其實都可以使用。Multi-task的部分像是做了個實驗，發現效果好，然後強行去找各種理由去分析，很玄學。