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

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

本文介绍了一种基于全卷积网络的人脸分割方法以及利用该方法进行的高效准确的人脸替换技术，并使用“Labeled Faces in the Wild”数据集进行了测试，证明了该方法的有效性。

Apr, 2017

本文提出了一种利用语义分割来优化面部属性预测的方法，通过这种方法，我们不仅能够识别人脸属性，而且能够定位这些属性，获得了比以前更好的结果。

Apr, 2017

本文章提出了一种基于深度多任务学习的方法，使用卷积神经网络来估计单张人脸图像中的多个异质属性，并在MORPH II、LFW+等数据库上进行了实验，取得了优秀的性能。

Jun, 2017

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

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

本文提出了一种新的单次面部检测网络DF $^2$ S $^2$，其引入了更有效的特征融合金字塔和在ResNet-50上更高效的分割支路来处理细节、遮挡和模糊等问题，并在更高级别的特征映射中应用语义信息作为上下文线索，以增强低级别特征映射，最大限度地利用检测监督信息并在自我监督的方式下，处理语义与细节之间的失衡，并在WIDER FACE数据集上取得了最先进的结果。

Nov, 2018

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