Mar, 2024

利用不确定性加权的多任务学习用于异质面部属性估计

PDF
TL;DR基于信息共享，提出了一种广义框架来联合估计面部的序数和名义属性，并通过考虑每个属性估计任务的同方差不确定性来权衡多个损失函数，以实现面部多属性的最优估计，并降低多任务学习的训练成本，与现有方法相比，实验证明所提出的方法具有优越的性能，最后，讨论了面部属性估计的偏差问题，并验证其在边缘系统上的可行性。
face attribute estimationordinal attributesnominal attributesmultitask learningbias issues
发现论文，激发创造
  • 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

  • 利用不确定性来加权损失的多任务学习，用于场景几何和语义

    本文提出了一种基于系统中每个任务的均方差误差的权重的深度学习多任务学习方法，可以同时处理分类和回归任务，并在主管深度估计、语义和实例分割方面展示了比独立训练的模型更好的表现。

    May, 2017

  • 利用辅助属性学习人脸对齐的深度表示

    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

  • 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

  • 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

  • 联合语义分割和单目深度估计中的多任务不确定性评估

    本论文研究了多任务学习对不确定性估计质量的影响，并探索了在联合语义分割和单目深度估计上量化预测不确定性的方法。

    May, 2024

  • 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

  • 基于轻量级神经网络的多任务学习的面部表情和属性识别

    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

  • 多任务网络中的全自适应特征共享及其在个人属性分类中的应用

    本文提出了一种以紧凑的多任务深度学习架构为设计目标的方法，使用一种推动类似任务聚集的新标准在训练期间贪心地扩大网络，以优化多任务学习的泛化性能并在人员属性分类任务中取得最先进的精度。

    Nov, 2016

  • 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