本研究提出了一种基于深度学习无监督算法的异质人脸识别框架，通过在局部人脸点处提取Gabor特征，并使用RBM学习本地共享表示来消除每个人脸点周围的异质性。最后，将局部RBM的共享表示连接在一起，并通过PCA处理，成功地解决了Sketch-Photo和NIR-VIS问题，并在相应的数据库上取得了最佳实验结果。

Jun, 2014

本文考虑利用中层卷积网络特征进行面部属性预测，与经过微调的高层抽象相比，中层深度表示的预测准确性更高，可同时实现面部识别和属性预测的单一深度网络。

Feb, 2016

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

通过使用多任务深度卷积神经网络(MCNN)，共享所有属性的最低层，共享相关属性的更高层，并在MCNN上构建辅助网络以利用所有属性的分数来提高每个属性的最终分类，我们可以利用属性关系来提高属性分类器的准确性。我们在两个具有挑战性的公开数据集上展示了我们方法的有效性。

Apr, 2016

介绍了一种基于深度卷积神经网络的方法SPLITFACE，针对部分遮挡的人脸设计了新的属性检测算法，利用分离式面部分段输入数据，并采用数据驱动方法来构建预测模型，以提高算法的性能，其在部分人脸较好地预测局部特征。与现有方法相比，SPLITFACE在面部部分遮挡时表现更佳，取得了很好的检测效果。测试数据集包括CelebA和LFWA等。

Jan, 2018

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

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

本研究针对自动化面部属性分类算法中的人口统计偏见问题，提出了一种新的公平面部属性分类方法。通过将分类任务视为细粒度分类问题，我们的方法有效结合了低级局部特征和高级语义特征，显著提高了分类的准确性和公平性。实验证明，FineFACE模型在准确性和公平性之间实现了Pareto有效的平衡，并且无需人口统计标注，适用于多种下游分类任务。

Aug, 2024

本研究针对传统面部属性识别方法的局限性，探索视觉语言模型（VLMs）在识别情感、种族、性别和年龄方面的应用。通过利用多种VLMs及其在多个数据集上的评估，研究发现这些模型在识别准确性上优于传统深度学习方法。此外，引入的"FaceScanPaliGemma"和"FaceScanGPT"模型展示了其在多任务处理能力和属性识别上的显著优势。

Oct, 2024