任务自适应的 Q-Face
该研究提出了一种基于单一的 Swin Transformer 的多功能算法,用于同时进行人脸识别、面部表情识别、年龄估计和面部属性估计,并通过多层级通道注意力模块适应性地选择最佳级别和通道上的特征,以提高预测准确性、数据效率和训练速度。
Aug, 2023
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
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
本文介绍了一个基于深度学习的系统级实时面部 分析设计,使用神经网络进行物体检测、分类和回归,可以识别每个人的年龄、性别、面部表情和相似度。同时,文章提出了一种多任务网络来同时预测年龄、性别和面部表情,该系统达到了与现有先进方法相同的精度和实时性能要求。
Sep, 2021
本文介绍了一种名为 MaskFace 的高精度人脸和关键点检测模型,该模型通过多任务模型同时解决人脸检测和关键点定位问题,并在多个任务数据集上实现了良好的性能。
May, 2020
我们介绍了 FaceXformer,这是一个端到端的统一变换器模型,用于综合范围的面部分析任务,如面部解析、标志检测、头部姿势估计、属性识别以及年龄、性别、种族和标志点可见性的估计。我们的 FaceXformer 利用基于变换器的编码器 - 解码器架构,将每个任务视为可学习的标记,从而在单一框架内集成多个任务。此外,我们提出了一个参数高效的解码器 FaceX,它共同处理面部和任务标记,从而在不同任务之间学习通用和鲁棒的面部表示。根据我们的了解,这是首次使用变换器提出了一个能够处理所有这些面部分析任务的单一模型。我们对统一面部任务处理的有效骨干进行了全面分析,并评估了不同任务查询和它们之间的协同作用。我们在多个基准测试中进行了对比实验证实,与最先进的专用模型和之前的多任务模型相比,在数据集内和跨数据集评估中,我们的模型均表现出色。此外,我们的模型有效处理来自 “野外” 的图像,展示了它在八个不同任务上的鲁棒性和普适性,同时保持了每秒 37 帧的实时性能。
Mar, 2024
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
我们提出了一种统一的多分支视觉转换器,用于面部表情识别和口罩佩戴分类任务。我们的方法使用双分支架构提取两个任务的共享特征,获得多尺度特征表示。此外,我们提出了一个跨任务融合阶段,在交换信息的同时,使用交叉注意模块处理每个任务的标记。与为两个任务使用单独的网络相比,我们提出的框架通过简单而有效的跨任务融合阶段降低了总体复杂性。广泛的实验证明,我们提出的模型在面部表情识别和口罩佩戴分类任务上的表现优于或与不同的最新方法相当。
Apr, 2024
使用深度卷积神经网络 (CNN) 的 HyperFace 算法能够同时进行面部检测、标志定位、姿势估计和性别识别,是一种基于多任务学习的算法,通过融合深度 CNN 的中间层并锁定不同任务之间的协同作用来提高算法的效率和精度,此外,HyperFace 还提供了两个变种:结合了 ResNet-101 模型的 HyperFace-ResNet 和高召回率快速面部检测器的 Fast-HyperFace。
Mar, 2016
基于多任务学习的面部表情识别、情绪价值 - 唤醒估计的轻量级神经网络方法,结合高斯或滑动窗口平滑处理以提高准确性和关联系数。
Jul, 2024