通过跨数据集混合训练实现的集成人脸分析网络
计算机视觉与模式识别
2017-11-17 v1
摘要
人脸分析惠及众多多媒体应用。它由若干任务组成，例如面部情绪识别与人脸解析，而大多数现有方法通常独立处理这些任务，这限制了它们在真实场景中的部署。本文中我们提出一种集成人脸分析网络（iFAN），它能够通过新颖的精心设计的网络架构联合执行人脸分析的多个任务，以充分促进不同任务间的信息交互。所提出的集成网络显式建模任务间的交互，从而可充分利用任务间的相关性以提升性能。此外，为解决缺乏带有各类任务综合训练数据的数据集这一瓶颈，我们提出一种新颖的跨数据集混合训练策略。它允许针对不同的任务标注的多个数据集“即插即用”，而无需所有任务都具备一个完全标注的公共数据集。我们通过实验表明，所提出的 iFAN 使用单一集成模型在多个人脸分析任务上达到了最先进的性能。具体而言，iFAN 在 Helen 数据集上对人脸解析取得 91.15% 的总体 F 值，在 MTFL 数据集上对人脸关键点定位取得 5.81% 的归一化平均误差，并在 BNU 数据集上以单一模型对情绪识别取得 45.73% 的准确率。
引用
@article{arxiv.1711.06055,
title = {Integrated Face Analytics Networks through Cross-Dataset Hybrid Training},
author = {Jianshu Li and Shengtao Xiao and Fang Zhao and Jian Zhao and Jianan Li and Jiashi Feng and Shuicheng Yan and Terence Sim},
journal= {arXiv preprint arXiv:1711.06055},
year = {2017}
}
备注
10 pages