融合迁移学习与广义学习系统的人脸美学预测
计算机视觉与模式识别
2026-03-19 v1 人工智能
摘要
人脸美学预测（FBP）是计算机视觉和机器学习领域中的一个重要且具有挑战性的问题。由于缺乏大规模有效数据，容易引发过拟合问题；且由于面部外观的变异性和人类感知的复杂性，快速构建稳健且有效的人脸美学评估模型也十分困难。迁移学习能够减少对大量数据的依赖，同时避免过拟合问题。广义学习系统（BLS）能够快速完成模型的构建和训练。为此本文将迁移学习与 BLS 融合用于 FBP。首先，基于迁移学习构建特征提取器，使用 EfficientNets 进行面部特征提取，将提取的面部美学特征传递给 BLS 进行 FBP，称为 E-BLS。其次，在 E-BLS 基础上设计连接层，将特征提取器与 BLS 连接，称为 ER-BLS。实验结果表明，与以往的 BLS 和 CNN 方法相比，E-BLS 和 ER-BLS 提升了 FBP 的准确率，表明所提方法的有效性和优越性，也可广泛应用于模式识别、目标检测和图像分类。
关键词
引用
@article{arxiv.2603.16930,
title = {Facial beauty prediction fusing transfer learning and broad learning system},
author = {Junying Gan and Xiaoshan Xie and Yikui Zhai and Guohui He and Chaoyun Mai and Heng Luo},
journal= {arXiv preprint arXiv:2603.16930},
year = {2026}
}