使用现成 CNN 特征进行人脸属性预测
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
本文提出了使用深度卷积神经网络结合面部标志信息来估计面部属性的新方法,并在新的面部属性数据集上进行了实证分析,结果显示该方法相对于基线方法在多个面部属性上均有显著提升。
May, 2016
本文提出了一种深度学习框架,用于在野外预测面部属性,将 LNet 和 ANet 级联,且在预训练时分别使用大量通用对象类别和大量面部身份信息,最终得到优于现有技术的表现,并揭示了面部表示学习的有价值的事实。
Nov, 2014
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
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
本研究提出了一种新型的深度多任务多标签卷积神经网络(DMM-CNN),通过联合优化面部地标检测和面部属性分类两个紧密相关的任务以利用多任务学习来提高面部属性分类的性能,并针对不同的学习复杂性将面部属性分为两组,为两组属性设计不同的网络架构,并提出一种新的动态加权方案来自动分配损失权重。此外,还开发了一种自适应阈值策略来有效地缓解多标签学习的类别不平衡问题。实验结果表明,与几种最先进的 FAC 方法相比,所提出的 DMM-CNN 方法在具有挑战性的 CelebA 和 LFWA 数据集上具有优越性。
Feb, 2020
本文通过优化模型,采用基于 CNN 的深度卷积网络 VGG-Face,通过特定属性生成具有参考图像身份信息的人脸图像的优化问题,结果表明,该方法能够有效地实现基于属性驱动的身份保持人脸生成。
Aug, 2016
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