基于多任务学习的人脸属性分类研究
1. 利用深度学习方法，对多个人脸属性 (如：头发、帽子、胡子等)进行识别分类，部分属性的二分类准确率可达到 95%以上，多分类指标可达到 90%以上。
2. 本项目使用 Mobilenet 作为 backbone 提取各属性的共享人脸特征；利用多任务学习的方法，根据各属性的独有特征设计branch network，分别对各属性进行分类。可以通过一个网络，同时对多个人脸属性进行分类。
3. 对网络的Loss 函数进行研究，使用Uncertainty 分别对各属性Loss 进行加权，实现涨点 1%以上。
4. 对模型进行调参：调整learning rate、batch size、FLOPs 等参数实现模型涨点；根据训练好的 backbone 对属性branch 分支进行finetune；根据各属性特征对 branch 网络结构进行微调。实现各属性涨点 (1%~3%)，关键属性达到 precision/recall 双 0.95 的验收指标。
5. 参与两次模型发版：负责将模型分别打包为GPU 版本和海思NNIE 版本；对模型进行精度测试，并撰写相应的发版报告；对发版后的模型进行对分测试，确保发版模型与实验结果一致。