MaskMTL：基于深度多任务学习的遮挡人脸图像属性预测
计算机视觉与模式识别
2022-01-12 v2
摘要
在无关键点人脸图像中预测属性本身是一项具有挑战性的任务，而当由于佩戴口罩导致人脸被遮挡时该任务变得更加复杂。利用身份验证的智能门禁或个人电子设备的 secure login 可将人脸作为生物特征。特别是，新冠疫情日益印证了卫生、非接触式身份验证的必要性。在此类情形下，口罩的使用更加不可避免，而进行属性预测有助于在协作环境中将目标易感群体与社区传播区分开，或为其保障社交距离。我们通过高效叠加不同形状、尺寸和纹理的口罩来创建遮挡人脸数据集，以有效建模佩戴口罩所产生的差异性。本文提出一种深度多任务学习（MTL）方法，从单张遮挡人脸图像联合估计多种异质属性。在基准人脸属性 UTKFace 数据集上的实验结果表明，所提方法性能优于其他对比技术。源代码见 https://github.com/ritikajha/Attribute-prediction-in-masked-facial-images-with-deep-multitask-learning
引用
@article{arxiv.2201.03002,
title = {MaskMTL: Attribute prediction in masked facial images with deep multitask learning},
author = {Prerana Mukherjee and Vinay Kaushik and Ronak Gupta and Ritika Jha and Daneshwari Kankanwadi and Brejesh Lall},
journal= {arXiv preprint arXiv:2201.03002},
year = {2022}
}
备注
In Proceedings of 9th International Conference on Pattern Recognition and Machine Intelligence (PReMI 2021), Kolkata, India