野外场景下的深度学习人脸属性
本论文尝试通过利用深度学习的卷积神经网络 (CNN) 的特征表示技术,并结合传统的人脸定位技术来构建人脸描述子,并使用它进行人脸属性预测,实验结果表明,该方法与目前最先进的方法完全可以匹敌,同时也提出了一个重要的问题:如何利用 CNN 特征表示技术解决一些新颖的问题。
Feb, 2016
该研究提出了一种新的深度学习框架,预测面部属性并将其作为软模态来提高面部识别性能,并且在预测属性和面部特征中融合以改进面部识别性能。实验结果表明,该模型在面部识别和属性预测性能方面都有很好的表现,特别是在身份面部属性预测方面。
Apr, 2018
本文提出了称为深层属性网络(DAN)的模型,可以输出图像的属性而不进行分类,在无约束的人脸验证和现实世界中的物体识别任务中使用 LFW 和 a-PASCAL 数据集对提出的模型的功效进行了评估,展示了基于属性的分类用于深度学习,通过展示与现有最先进结果相当的结果来演示了其潜力,一旦训练得当,DAN 快速且不需要计算可能不可靠和计算代价昂贵的低级特征。
Nov, 2012
本文提出了一个级联网络,同时学习了特定属性的面部区域定位和无需对齐的属性分类,使用多网路学习方法和基于提示的模型压缩进一步提高了模型性能。在未对齐的 CelebA 数据集上,与最先进的方法相比,分类错误率降低了 30.9%。
Sep, 2017
本文提出了一种新的人物再识别(re-ID)网络架构 Attribute Attention Network(AANet),该架构将人物属性和属性注意力图集成到分类框架中,并通过估计单个属性的类响应并将它们组合形成属性注意力图(AAM),来实现强大的判别性表示。在 DukeMTMC-reID 数据集上,相比使用 ResNet-50 的最佳前沿方法 arXiv:1711.09349v3 [cs.CV],AANet 在 mAP 和 Rank-1 精度上分别超过 3.36% 和 3.12%;在重排后的 Market1501 数据集上,AANet 在 mAP 和 Rank-1 精度上分别达到 92.38% 和 95.10%,相对于另一种使用 ResNet-152 的最佳前沿方法 arXiv:1804.00216v1 [cs.CV],精度分别超过 1.42% 和 0.47%。此外,AANet 还可以执行人物属性预测,并在查询图像中定位属性。
Dec, 2019
本研究探讨轻量级卷积神经网络的多任务学习,用于识别人脸和分类面部属性(年龄,性别,种族),并在没有距离边缘的剪裁人脸上进行训练,需要微调这些网络以预测面部表情;使用 MobileNet、EfficientNet 和 RexNet 架构提出了几种模型,并在 UTKFace 数据集上证明了它们接近最新的年龄、性别和种族识别结果,在 AffectNet 数据集的情感分类上也表现出色;此外,展示了将已训练的模型用作视频帧中面部区域的特征提取器,其识别精度比以前已知的情感分类挑战的单一模型高 4.5%。
Mar, 2021
提出了一种基于多任务联合训练的级联卷积神经网络方法(MCFA),用于同时预测多个面部属性,该方法采用新颖的动态加权方案自动为每个面部属性分配损失权重,实现粗到细的联合训练,能够实现端到端优化。实验结果表明,该方法在 CelebA 和 LFWA 数据集上优于几种最先进的 FAC 方法。
May, 2018
本文提出了一种针对弱监督学习场景下的视觉属性发现方法,并介绍了一种用于多属性预测的卷积神经网络训练过程 Deep-Carving,实验结果表明该方法在视觉属性预测精度上有较大提升。
Apr, 2015
本文提出了一种结合基于部分模型和深度学习的姿势归一化卷积神经网络方法,以有效地从人物图片中推断人的属性,包括性别、发型、衣着风格、表情和动作,并且在限制条件下,该方法比目前最佳的基于部分模型和全身边框的 CNN 训练方法表现更好。
Nov, 2013