基于面罩引导的多任务网络用于人脸属性识别

人脸属性识别（FAR）在人员重识别、人脸检索和人脸编辑等应用中发挥着关键作用。传统的多任务属性识别方法通常会为特征提取和属性分类处理整个特征图，这会产生冗余特征 due to 依赖于全局区域。为解决这些挑战，我们提出了一种强调选择特定特征区域以实现高效特征学习的方法。我们引入基于面罩引导的多任务网络（MGMTN），该网络集成了自适应面罩学习（AML）和群组-全局特征融合（G2FF），以解决上述限制。利用预训练的关键点标注模型和全卷积网络，AML 准确局部化关键面部部位（例如眼睛和嘴巴组），并生成 delineate 有意义特征区域的群组面罩，从而减轻全局区域使用导致的负迁移。此外，G2FF 将群组特征和全局特征融合，以增强 FAR 学习，实现更精确的属性识别。在两个具有挑战性的人脸属性识别数据集上的大量实验表明，MGMTN 在提高 FAR 性能方面非常有效。