基于图注意力网络探索多面部属性间的相关性
计算机视觉与模式识别
2018-10-23 v1
摘要
从单张人脸图像中估计多个属性可对人脸的高层语义给出全面描述。这自然被视为一个以单一深度CNN实现的多任务监督学习问题，其中低层共享，高层采用多分支结构且依赖于具体任务。在传统的深度多任务学习（DMTL）框架下，本文旨在通过构建图来充分挖掘不同属性之间的相关性。图中的节点表示某一给定属性对应分支的特征向量，边可由先验知识定义，也可通过嵌入空间中两节点间的相似度以完全数据驱动的方式定义。我们分析指出，在后一种情形下注意力机制实际发挥作用，并利用图注意力层（GAL）来探索最相关的属性特征，并通过考虑其他属性精炼任务依赖特征。实验表明，通过挖掘属性间相关性，我们的方法在CelebA和LFWA数据集上提升了识别准确率，并取得了具有竞争力的性能。
引用
@article{arxiv.1810.09162,
title = {Exploring Correlations in Multiple Facial Attributes through Graph Attention Network},
author = {Yan Zhang and Li Sun},
journal= {arXiv preprint arXiv:1810.09162},
year = {2018}
}
备注
9 pages, 5 figures, summit to AAAI2019