MOON: 一种混合多目标优化网络,用于识别面部属性
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
本文提出了一种基于动态多任务学习的方法,它可以根据训练任务的难度动态调整任务权重,从而实现面部识别和面部表情识别的性能提升,并证明其与单任务学习方法相比具有更高的性能。
Nov, 2019
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
本文探讨了多任务学习在人脸识别中的应用及优化方法,提出了一种多任务卷积神经网络,动态加权方案,姿态指导的多任务卷积神经网络和一种基于能量的权重分析方法,并在 Multi-PIE 数据集上进行了有效性测试。得出结论指出,多任务学习在人脸识别中作为规则化项,可以将身份特征与变量解耦,并展现该方法在公开数据集上的实验表现。
Feb, 2017
本研究提出了一种名为 MOON 的简单有效的联邦学习框架,通过利用模型表示之间的相似性来纠正个体训练,即在模型层面上进行对比学习,实验结果表明,MOON 在各种图像分类任务中明显优于其他联邦学习算法。
Mar, 2021
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
基于信息共享,提出了一种广义框架来联合估计面部的序数和名义属性,并通过考虑每个属性估计任务的同方差不确定性来权衡多个损失函数,以实现面部多属性的最优估计,并降低多任务学习的训练成本,与现有方法相比,实验证明所提出的方法具有优越的性能,最后,讨论了面部属性估计的偏差问题,并验证其在边缘系统上的可行性。
Mar, 2024
本文提出了一种基于注意力机制的卷积神经网络方法,使用一握多激励模块学习每个输入图像的多个注意区域特征,并在度量学习框架中应用多注意力多类约束,通过推拉相同 / 不同注意力类别的特征以实现多个目标区域的协调,并引入 Dogs-in-the-Wild 数据集以促进细粒度图像识别研究。
Jun, 2018
本研究提出了一种联合多任务学习算法,利用深度卷积神经网络(CNN)更准确地预测图像属性。研究考虑通过多任务 CNN 模型学习二进制语义属性,每个 CNN 将预测一个二进制属性。多任务学习允许 CNN 模型在不同属性类别之间共享视觉知识,进而进一步应用于属性预测之中。
Jan, 2016
本文演示如何使用深度卷积神经网络 (DCNN) 从嘈杂的标签中学习,并以面部表情识别为例。通过比较多数投票,多标签学习,概率标签绘制和交叉熵损失四种方法来利用多个标签,我们发现传统的多数投票方案表现不如完全利用标签分布的最后两种方法。此外,我们还向研究社区共享了一组多标签面部图像数据集。
Aug, 2016