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

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

提出了一个端到端的深度卷积神经网络，可以同时定位和排序相对视觉属性，在仅使用弱监督成对图像比较的情况下进行学习。不同于之前的方法，我们的网络联合学习了特征、定位和排序。我们的定位模块发现属性最有信息量的图像区域，这个区域被排序模块用来学习属性的排序模型。我们的端到端框架也显著加速了处理速度，比之前的方法快得多。我们在各种相对属性数据集上展示了最先进的排序结果，我们的定位结果清楚地表明了我们的网络学习了有意义的图像块。

Aug, 2016

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

该论文提出了一个采用深度级联多任务框架的人脸检测和对齐方法，利用深度学习及在线难样本挖掘等技术，在 FDDB、WIDER FACE 和 AFLW 等基准测试中取得了优于同类算法的高准确度和实时性能。

Apr, 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

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

本文提出了一种基于面部属性监督的深度卷积神经网络 (CNN) 进行人脸检测的方法，通过观察 CNN 在对未裁剪的面部图像进行属性分类训练时产生局部探测器的现象，并利用具有局部结构和排列的人脸部分响应的评分机制来寻找人脸，使得该网络能够在面部部分可见的严重遮挡和非约束姿态变化下检测出人脸，实现了在 FDDB、PASCAL Faces、AFW 和 WIDER FACE 等流行基准测试中有着很有希望的性能表现。

Jan, 2017

本文提出一种新型的任务约束深度模型，通过学习相互关联的异质性面部属性，如性别、表情和外貌属性，与地标检测问题的联合优化，有效提高了地标检测的鲁棒性。通过广泛的评估，表明所提出的任务约束学习方法不仅在处理具有严重遮挡和姿态变化的面部影像方面优于现有的面部对齐方法，而且与基于级联深度模型的现有方法相比，明显减少了模型复杂度。

Aug, 2014