用于高效面部属性分类的深度多任务多标签CNN
计算机视觉与模式识别
2020-02-11 v1
摘要
面部属性分类（FAC）在计算机视觉与模式识别中引起了越来越多的关注。然而，最先进的FAC方法独立地进行人脸检测/对齐与FAC，这些任务间固有的依赖关系未被充分利用。此外，大多数方法使用相同的CNN网络架构预测所有面部属性，忽略了面部属性间不同的学习复杂度。为解决上述问题，我们提出了一种新颖的深度多任务多标签CNN，称为DMM-CNN，用于高效的FAC。具体而言，DMM-CNN联合优化两个紧密相关的任务（即面部关键点检测与FAC），以借助多任务学习提升FAC性能。为应对面部属性多样的学习复杂度，我们将属性分为两组：客观属性与主观属性。分别设计两种不同的网络架构为两组属性提取特征，并提出一种新颖的动态加权方案，在训练期间自动为每个面部属性分配损失权重。此外，开发了一种自适应阈值策略，以有效缓解多标签学习的类不平衡问题。在具有挑战性的CelebA和LFWA数据集上的实验结果表明，所提DMM-CNN方法优于几种最先进的FAC方法。
引用
@article{arxiv.2002.03683,
title = {Deep Multi-task Multi-label CNN for Effective Facial Attribute Classification},
author = {Longbiao Mao and Yan Yan and Jing-Hao Xue and Hanzi Wang},
journal= {arXiv preprint arXiv:2002.03683},
year = {2020}
}