面部毛发属性学习中的逻辑一致性与更强描述能力
计算机视觉与模式识别
2023-04-18 v2
摘要
面部属性研究迄今仅使用简单的二值属性描述面部毛发，例如有胡须/无胡须。我们创建了一套更具描述性的面部毛发标注方案，并据此构建了新面部毛发属性数据集 FH37K。面部属性研究亦尚未处理逻辑一致性与完备性。例如，在先前研究中，一幅图像可能被同时分类为无胡须且留有山羊胡（一种胡须）。我们表明，若强制分类结果满足逻辑一致性，先前分类方法在面部毛发属性分类上的测试精度会显著下降。我们提出逻辑一致预测损失 LCPLoss，以辅助跨属性的逻辑一致性学习，并提出标签补偿训练策略以消除一组相关属性中无正预测的问题。利用在 FH37K 上训练的属性分类器，我们探究了面部毛发如何影响人脸识别精度，包括跨人口统计学群体的差异。结果表明，面部毛发样式的相似与差异对人脸识别中的冒名分数分布与真实分数分布具有重要影响。代码见 https://github.com/HaiyuWu/LogicalConsistency。
引用
@article{arxiv.2302.11102,
title = {Logical Consistency and Greater Descriptive Power for Facial Hair Attribute Learning},
author = {Haiyu Wu and Grace Bezold and Aman Bhatta and Kevin W. Bowyer},
journal= {arXiv preprint arXiv:2302.11102},
year = {2023}
}