基于掩码引导的多任务人脸属性识别网络
计算与语言
2026-01-06 v1
摘要
人脸属性识别 (FAR) 在人员重识别、人脸检索和人脸编辑等应用中发挥着关键作用。传统的多任务属性识别方法通常对整个特征图进行特征提取和属性分类，可能因依赖全局区域而产生冗余特征。为此，本文提出一种强调选择特定特征区域以实现高效特征学习的新方法。我们引入基于掩码引导的多任务网络 (MGMTN)，集成自适应掩码学习 (AML) 和群-全局特征融合 (G2FF)，以解决上述局限性。利用预训练的关键点标注模型和全卷积网络，AML 可准确定位关键面部部位（如眼部和口部组），生成 delineate 有意义特征区域的组掩码，从而减轻全局区域使用带来的负迁移。此外，G2FF 将组特征和全局特征融合，以增强 FAR 学习，实现更精确的属性识别。在两个具有挑战性的人脸属性识别数据集上的大量实验表明，MGMTN 在提高 FAR 性能方面效果显著。
引用
@article{arxiv.2601.01407,
title = {From Emotion Classification to Emotional Reasoning: Enhancing Emotional Intelligence in Large Language Models},
author = {Arjhun Sreedar and Rohan Pillay and Laukik Patade},
journal= {arXiv preprint arXiv:2601.01407},
year = {2026}
}
备注
10 pages, 1 figure