异质人脸属性估计：一种深度多任务学习方法
计算机视觉与模式识别
2017-09-29 v3
摘要
人脸属性估计在视频监控、人脸检索和社交媒体中有许多潜在应用。虽然已有许多方法被提出用于人脸属性估计，但大多数在特征表示学习过程中未显式考虑属性相关性和异质性（例如序数对名义、整体对局部）。本文提出一种深度多任务学习（DMTL）方法，从单张人脸图像联合估计多个异质属性。在DMTL中，我们通过卷积神经网络（CNNs）处理属性相关性和异质性，该网络包含所有属性的共享特征学习，以及针对异质属性的类别特定特征学习。我们还引入了一个无约束人脸数据库（LFW+），是公共领域LFW的扩展，通过众包获得异质人口属性（年龄、性别、种族）。在具有多个人脸属性的基准（MORPH II、LFW+、CelebA、LFWA和FotW）上的实验结果表明，所提方法相比最先进水平具有优越性能。最后，在具有单个属性的公共领域人脸数据库（LAP）上的评估显示所提方法具有优异的泛化能力。
引用
@article{arxiv.1706.00906,
title = {Heterogeneous Face Attribute Estimation: A Deep Multi-Task Learning Approach},
author = {Hu Han and Anil K. Jain and Fang Wang and Shiguang Shan and Xilin Chen},
journal= {arXiv preprint arXiv:1706.00906},
year = {2017}
}
备注
To appear in the IEEE Trans. Pattern Analysis and Machine Intelligence (final)