基于多标签学习的深度迁移神经网络用于人脸属性分类
计算机视觉与模式识别
2018-05-04 v1
摘要
深度神经网络(DNN)近来在包括人脸属性分类在内的多种计算机视觉任务中取得了优异性能。利用 DNN 分类人脸属性的巨大成功通常依赖于海量标注数据。然而，在实际应用中，仅对一些常用属性(如年龄、性别)提供了标注数据；而对于其他属性(如吸引力、发际线)则有未标注数据可用。为解决上述问题，我们提出了一种基于多标签学习的新型深度迁移神经网络方法用于人脸属性分类，称为 FMTNet，其由三个子网络组成：人脸检测网络(FNet)、多标签学习网络(MNet)和迁移学习网络(TNet)。首先，基于 Faster Region-based Convolutional Neural Network (Faster R-CNN)，对 FNet 进行微调以用于人脸检测。然后，利用标注数据通过 FNet 微调 MNet 以预测多个属性，其中设计了一种有效的损失权重方案，基于属性分组显式利用人脸属性间的相关性。最后，基于 MNet，利用无监督域适应训练 TNet 以用于未标注人脸属性分类。三个子网络紧密耦合以执行有效的人脸属性分类。所提 FMTNet 方法的一个显著特征是三个子网络(FNet、MNet 和 TNet)以相似的网络结构构建。在具有挑战性的人脸数据集上的大量实验结果表明，与几种最先进(state-of-the-art)方法相比，我们所提方法有效。
引用
@article{arxiv.1805.01282,
title = {Multi-label Learning Based Deep Transfer Neural Network for Facial Attribute Classification},
author = {Ni Zhuang and Yan Yan and Si Chen and Hanzi Wang and Chunhua Shen},
journal= {arXiv preprint arXiv:1805.01282},
year = {2018}
}