MOON：一种用于面部属性识别的混合目标优化网络
计算机视觉与模式识别
2017-08-08 v2
摘要
属性识别，尤其是面部属性识别，为每幅图像提取多个标签。虽然某些多任务视觉问题可分解为独立的任务和阶段，例如为每个任务训练独立模型，但对于越来越多的问题，跨所有任务的联合优化已被证明能提升性能。我们表明，对于深度卷积神经网络（DCNN）面部属性提取，多任务优化更优。遗憾的是，当训练数据不平衡时，将联合优化应用于 DCNN 可能很困难，且直接重新平衡多标签数据在结构上是不可行的，因为添加/移除数据以平衡某一标签会改变其他标签的采样。本文通过引入一种新颖的混合目标优化网络（MOON），其损失函数将多任务目标与传播损失的域自适应重加权相混合，来解决多标签不平衡问题。实验表明，MOON 不仅推进了面部属性识别的最先进水平（SOTA），而且优于使用相同数据独立训练的 DCNN。当将面部属性用于 LFW 人脸识别任务时，我们展示了我们平衡（域自适应）的网络优于非平衡训练的网络。
引用
@article{arxiv.1603.07027,
title = {MOON: A Mixed Objective Optimization Network for the Recognition of Facial Attributes},
author = {Ethan Rudd and Manuel Günther and Terrance Boult},
journal= {arXiv preprint arXiv:1603.07027},
year = {2017}
}
备注
Post-print of manuscript accepted to the European Conference on Computer Vision (ECCV) 2016 http://link.springer.com/chapter/10.1007%2F978-3-319-46454-1_2