Feb, 2020

深度多任务多标签卷积神经网络用于有效的面部属性分类

PDF
TL;DR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。
facial attribute classificationdeep multi-task multi-label cnnfacial landmark detectionmulti-task learningclass imbalance
发现论文，激发创造
  • 面部属性分类的级联卷积神经网络多任务学习

    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

  • 一种由面部属性预测增强的深度人脸识别网络

    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

  • 用于属性改进的属性：属性分类的多任务网络

    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

  • 多任务 CNN 模型用于属性预测

    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

  • MOON: 一种混合多目标优化网络，用于识别面部属性

    本文提出了一种新的混合目标优化网络，其中的损失函数混合了多种任务目标，并具有领域自适应的传播损失重新加权，解决了深度卷积神经网络中的多标签不平衡问题，该方法在面部属性识别方面表现良好，优于使用相同数据的独立训练的 DCNN。

    Mar, 2016

  • 深度多任务学习方法进行异质人脸属性估计

    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

  • 用于非对齐人脸属性分类的深级联网络

    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

  • 基于图注意力网络探索多个面部属性的相关性

    本文提出一种基于多任务学习和图注意力层的人脸多属性识别方法，通过对属性关系的挖掘来提高 CelebA 和 LFWA 数据集上的识别准确率。

    Oct, 2018

  • 面部表情的人脸识别动态多任务学习

    本文提出了一种基于动态多任务学习的方法，它可以根据训练任务的难度动态调整任务权重，从而实现面部识别和面部表情识别的性能提升，并证明其与单任务学习方法相比具有更高的性能。

    Nov, 2019

  • 使用现成 CNN 特征进行人脸属性预测

    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