使用 Inception v3 进行脸型分类

在本文中，我们给出了通过重新训练 Inception v3 模型最后一层，将人脸图像分类为五种基本脸型之一的实验结果。将重新训练的 Inception v3 模型的准确率与以下使用面部标志点距离比和角度作为特征的分类方法进行比较：线性判别分析（LDA）、线性核支持向量机（SVM-LIN）、径向基函数核支持向量机（SVM-RBF）、人工神经网络或多层感知机（MLP）以及 k 近邻（KNN）。所有分类器均使用从互联网收集的 500 张已知脸型的女性名人图像进行训练和测试。结果表明，根据所用训练集大小的不同，Inception v3 的训练准确率和总体准确率分别在 98.0% 至 100% 和 84.4% 至 84.8% 之间，而其他分类器分别在 50.6% 至 73.0% 和 36.4% 至 64.6% 之间。该结果表明，重新训练的 Inception v3 模型能够很好地拟合训练数据，并在无需手工挑选特定特征用于模型训练的情况下优于其他分类器。未来工作应考虑扩充带标签数据集，最好是能够免费分发给研究界的那种，以便进行恰当的模型交叉验证。据我们所知，这是文献中首次使用卷积神经网络进行脸型分类。脚本可在 https://github.com/adonistio/inception-face-shape-classifier 获取。