属性在人脸深度卷积神经网络中如何表达？
计算机视觉与模式识别
2019-10-15 v1
摘要
随着深度网络在人脸识别上变得越来越准确，理解这些网络如何处理人脸至关重要。虽然这些网络仅被训练用于识别身份，但它们也包含与脸相关的信息，如性别、年龄和姿态。网络并未被训练去学习这些属性。我们引入表达性（expressivity）作为特征向量告知我们关于某一属性多少信息的度量，其中特征向量可以来自网络的内部层或最终层。表达性由一个以特征和属性为输入的第二个神经网络计算。该第二个神经网络的输出近似于特征向量与属性之间的互信息。我们研究了两种不同深度卷积神经网络（DCNN）架构的表达性：Resnet-101 和 Inception Resnet v2。在网络的最后全连接层中，我们发现面部属性的表达性顺序为年龄 > 性别 > 偏航角（Yaw）。此外，我们研究了面部属性编码在训练迭代过程中的变化。我们发现随着训练进行，偏航角、性别和年龄的表达性下降。我们的技术可作为调查网络偏置来源的工具，并朝着解释网络身份决策迈出一步。
引用
@article{arxiv.1910.05657,
title = {How are attributes expressed in face DCNNs?},
author = {Prithviraj Dhar and Ankan Bansal and Carlos D. Castillo and Joshua Gleason and P. Jonathon Phillips and Rama Chellappa},
journal= {arXiv preprint arXiv:1910.05657},
year = {2019}
}