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

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

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

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

本研究提出了一种联合多任务学习算法，利用深度卷积神经网络（CNN）更准确地预测图像属性。研究考虑通过多任务 CNN 模型学习二进制语义属性，每个 CNN 将预测一个二进制属性。多任务学习允许 CNN 模型在不同属性类别之间共享视觉知识，进而进一步应用于属性预测之中。

Jan, 2016

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

DeCaFA 是一种端到端的深度卷积级联体系结构，它使用全卷积阶段保持整个级联的完整空间分辨率，并利用多个链接转移层生成面部对齐任务的每个标记的基于注意力的地标注意力图。通过加权中间监督以及阶段之间的高效功能融合，DeCaFA 可以学习逐步以端到端的方式细化注意力图。结果表明，DeCaFA 在 300W，CelebA 和 WFLW 数据库上显着优于现有方法。此外，研究表明 DeCaFA 能够利用粗略注释数据从极少量图像中学习良好的对齐。

Apr, 2019

一个基于注意力机制的新型切割框架 MFA-Net（多尺度特征融合注意力网络）在医学 CT 图像中分割器官感兴趣区域，通过学习多个尺度的特征图并与现有方法进行比较，实验结果表明 MFA-Net 在不同尺度的图像上产生更加精确的分割。

May, 2024