AFFACT - 一种无需对齐的面部属性分类技术
本文研究了利用深度神经网络提取面部特征的鲁棒性,通过生成对抗性样本测试了多种算法的可靠性,并提出了自然对抗样本的概念,发现即使在经过多次训练的情况下,网络仍然存在一些本该被正确分类的对抗样本。
Jan, 2018
通过无需预训练或数据集增强的深度卷积神经网络,本研究提出了一种简单且有效的自动面部特征提取解决方案,并在 CelebA 数据集上获得了最新的面部特征分类结果。研究者还通过引入营造自然对抗样本的概念,证明了对于某些特征,深度卷积神经网络对于对抗性输入是鲁棒的,而对于其他特征则不是。
May, 2016
本文研究了人脸表情识别中的偏见与公平性问题,并对三种不同的方法在两个不同数据集上进行了比较,结果表明,使用数据增强的属性感知方法和解缠方法比基线方法更具准确性和公平性,在减轻人口统计学偏见方面,解缠方法是最好的选择。
Jul, 2020
我们提出了一种新的多分支神经网络,同时作为辅助模态进行软生物测量预测并作为主任务进行人脸识别。我们的网络 AAFace 利用软生物测量属性来增强人脸识别表征的区分能力,并通过属性感知注意整合模块(AAI)对人脸识别与软生物测量特征图进行加权整合。实验结果验证了我们提出的网络在软生物测量预测和人脸识别方法方面的卓越性。
Aug, 2023
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
本论文从估计和操作两个角度全面调查了深度面部属性分析。介绍了面部属性估计和操作的数据预处理和模型构建通用流程,并对常用的数据集和性能指标进行了介绍。此外,对最新的面部属性分析方法进行了分类和细节方面的审查,并提出了相关的面部属性应用问题和现实世界的应用。最后,讨论了可能的挑战和未来的研究方向。
Dec, 2018
自动图像标题生成是一个关键的研究领域,通过 FaceAtt 模型提出了一种强调准确描绘图像中面部属性的新方法,自动检测和描述多种属性,并使用深度学习技术评估了模型的性能和指标。此外,研究还涉及到自动标题生成中的伦理考虑,为未来改进属性关注的标题生成技术、提高语言连贯性、解决偏见问题和满足多样化用户需求提供了基础。
Sep, 2023
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