为了解决人员重识别中因姿势变化、视角变化、摄像头参数不同等导致的人的视觉外观难以匹配的问题，提出了一个半监督属性学习框架，该框架由三个阶段组成，并使用深度卷积神经网络来预测不同数据集上的深层特征。使用简单的余弦距离作为度量，取得了出乎意料的好效果，在度量学习模块的帮助下，显著优于许多最近的工作。

May, 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

本文通过优化模型，采用基于 CNN 的深度卷积网络 VGG-Face，通过特定属性生成具有参考图像身份信息的人脸图像的优化问题，结果表明，该方法能够有效地实现基于属性驱动的身份保持人脸生成。

Aug, 2016

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

本文提出一种使用单个深度卷积神经网络进行人脸检测，人脸对齐，姿态估计，性别识别，微笑检测，年龄估计和人脸识别的多用途算法，通过多任务学习框架实现了对 CNN 模型的共享参数的规范化，并在不同领域和任务之间建立协同关系，实验结果表明该网络对人脸具有更好的理解，并在大多数任务方面实现了最先进的结果。

Nov, 2016

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

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

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