面向人脸年龄与吸引力估计的标签分布期望学习

利用卷积神经网络，人脸属性（如年龄与吸引力）估计性能已大幅提升。然而，现有方法的训练目标与评测指标间存在不一致，故可能并非最优。此外，这些方法常采用参数量巨大的图像分类或人脸识别模型，带来高昂计算与存储开销。本文首先分析两种前沿方法（Ranking-CNN 与 DLDL）的本质关联，指出排序法事实上在隐式学习标签分布。该结果首次将两种现有流行前沿方法统一至 DLDL 框架。其次，为缓解不一致并降低资源消耗，我们设计了一种轻量网络架构，并提出可联合学习人脸属性分布与回归属性值的统一框架。我们的方法在人脸年龄与吸引力估计任务上均证明了有效性。所提方法使用单一模型即以少 36$\times$ 的参数与快 3$\times$ 的推理速度取得人脸年龄/吸引力估计的新最优结果。而且，即便参数量进一步减至 0.9M（3.8MB 磁盘存储），我们的方法仍可达与最优方法相当的结果。