利用中层深度表示预测非受限环境下的人脸属性
计算机视觉与模式识别
2016-06-22 v3
摘要
由于真实世界中姿态与光照的变化，从非受限环境的人脸预测面部属性极具挑战。解决该问题的关键在于构建恰当的特征表示以应对这些不利条件。鉴于卷积神经网络（CNN）在图像分类中的成功，高层 CNN 特征作为一种直观合理的选择已被广泛用于此问题。然而，本文考虑将中层 CNN 特征作为高层特征在属性预测中的替代。这基于如下观察：人脸属性各不相同，有些是局部导向的，而另一些是全局定义的。我们的研究表明中层深度表示优于（微调的）高层抽象所取得的预测精度。我们通过实验证明中层表示在 CelebA 和 LFWA 数据集上达到了最先进的预测性能。我们的研究还表明，利用中层表示可采用单一深度网络同时实现人脸识别与属性预测。
引用
@article{arxiv.1602.01827,
title = {Leveraging Mid-Level Deep Representations For Predicting Face Attributes in the Wild},
author = {Yang Zhong and Josephine Sullivan and Haibo Li},
journal= {arXiv preprint arXiv:1602.01827},
year = {2016}
}
备注
In proceedings of 2016 International Conference on Image Processing (ICIP)