用于人脸属性分类的级联 CNN 多任务学习方法
计算机视觉与模式识别
2018-05-04 v1
摘要
近年来,人脸属性分类(FAC)在计算机视觉界引起了显著关注。随着具有挑战性的 FAC 数据集的出现,已取得巨大进展。然而,传统 FAC 方法通常先对输入图像进行预处理(即执行人脸检测与对齐),然后预测人脸属性。这些方法忽略了这些任务(即人脸检测、人脸关键点定位与 FAC)之间的固有依赖关系。此外,一些使用卷积神经网络的方法基于固定损失权重训练,未考虑人脸属性之间的差异。为解决上述问题,我们提出一种新颖的级联卷积神经网络多任务学习方法,称为 MCFA,用于同时预测多个人脸属性。具体而言,所提方法利用三个级联子网络(即对应于不同尺度下神经网络的 S_Net、M_Net 和 L_Net)以由粗到细的方式联合训练多个任务,可实现端到端优化。此外,所提方法基于一种新颖的动态加权方案自动为每个人脸属性分配损失权重,从而使所提方法聚焦于预测更困难的人脸属性。实验结果表明,在具有挑战性的 CelebA 和 LFWA 数据集上,所提方法优于几种最先进的 FAC 方法。
引用
@article{arxiv.1805.01290,
title = {Multi-task Learning of Cascaded CNN for Facial Attribute Classification},
author = {Ni Zhuang and Yan Yan and Si Chen and Hanzi Wang},
journal= {arXiv preprint arXiv:1805.01290},
year = {2018}
}