通过对抗学习进行多种人脸分析
计算机视觉与模式识别
2019-11-20 v1 机器学习
摘要
多种人脸分析任务（如关键点检测、头部姿态估计、性别识别与面部属性估计）之间的内在关联对提升各任务性能至关重要，但由于这些多任务通常被视为独立任务处理，尚未被充分探索。本文提出一种新颖的深度多任务对抗学习方法，通过从图像表示层面和标签层面探索其依赖关系，联合定位面部关键点、估计头部姿态并识别性别，或同时估计多个面部属性。具体而言，所提方法由深度识别网络R与判别器D组成。深度识别网络用于学习共享的中层图像表示并同时执行多种人脸分析任务。通过多任务学习机制，识别网络从图像表示层面探索多种人脸分析任务（如面部关键点定位、头部姿态估计、性别识别与面部属性估计）之间的依赖关系。引入判别器以迫使多种人脸分析任务的分布收敛至真实标签中固有的分布。训练过程中，识别器试图混淆判别器，而判别器通过区分预测标签组合与真实标签组合与识别器竞争。通过对抗学习，我们从标签层面探索多种人脸分析任务间的依赖关系。在四个基准数据库（即AFLW数据库、Multi-PIE数据库、CelebA数据库与LFWA数据库）上的实验结果证明了所提方法对多种人脸分析的有效性。
引用
@article{arxiv.1911.07846,
title = {Multiple Face Analyses through Adversarial Learning},
author = {Shangfei Wang and Shi Yin and Longfei Hao and Guang Liang},
journal= {arXiv preprint arXiv:1911.07846},
year = {2019}
}