野外环境下的人脸属性深度学习
计算机视觉与模式识别
2015-09-25 v3
摘要
由于复杂的人脸变化，预测野外环境下的人脸属性具有挑战性。我们提出了一种用于野外属性预测的新型深度学习框架。该框架级联了两个 CNN，即 LNet 和 ANet，它们利用属性标签进行联合微调，但预训练方式不同。LNet 通过海量通用物体类别进行预训练以实现人脸定位，而 ANet 则通过海量人脸身份进行预训练以进行属性预测。该框架不仅以较大优势超越了最先进水平 (SOTA)，还揭示了关于学习人脸表示的宝贵事实。(1) 它展示了如何通过不同的预训练策略来提高人脸定位 (LNet) 和属性预测 (ANet) 的性能。(2) 它揭示了一个事实：尽管 LNet 的滤波器仅使用图像级属性标签进行微调，但其在整个图像上的响应图强烈指示了人脸位置。这一事实使得仅使用图像级标注即可训练 LNet 进行人脸定位，而无需所有属性识别工作所必需的人脸边界框或 landmarks。(3) 它还证明，ANet 的高层隐藏神经元在经过海量人脸身份预训练后能自动发现语义概念，并且在经过属性标签微调后，这些概念得到了显著丰富。每个属性都可以很好地用这些概念的稀疏线性组合来解释。
引用
@article{arxiv.1411.7766,
title = {Deep Learning Face Attributes in the Wild},
author = {Ziwei Liu and Ping Luo and Xiaogang Wang and Xiaoou Tang},
journal= {arXiv preprint arXiv:1411.7766},
year = {2015}
}
备注
To appear in International Conference on Computer Vision (ICCV) 2015