SCUT-FBP5500：一个用于多范式面部美感预测的多属性基准数据集
计算机视觉与模式识别
2018-04-16 v1
摘要
面部美感预测（FBP）是一项重要的视觉识别问题，旨在做出与人类感知一致的面部吸引力评估。为解决该问题，引入了各种数据驱动模型，尤其是最先进的深度学习技术，而基准数据集成为实现 FBP 的基本要素之一。以往工作将面部美感的识别表述为分类、回归或排序的特定监督学习问题，这表明 FBP 本质上是一个具有多范式的计算问题。然而，大多数 FBP 基准数据集是在特定计算约束下构建的，这限制了在该数据集上训练的计算模型的性能与灵活性。本文中，我们认为 FBP 是一个多范式计算问题，并提出一个名为 SCUT-FBP5500 的新多属性基准数据集，以实现多范式面部美感预测。SCUT-FBP5500 数据集共有 5500 张正面人脸，具有多样属性（男性/女性、亚洲人/高加索人、年龄）和多样标注（面部关键点、[1,~5] 内的美感分数、美感分数分布），从而允许采用不同 FBP 范式的不同计算模型，例如基于表观/基于形状的男性/女性亚洲人/高加索人面部美感分类/回归模型。我们使用特征与预测器的不同组合以及各种深度学习方法在 SCUT-FBP5500 数据集上评估了 FBP。结果表明了 FBP 的提升以及基于 SCUT-FBP5500 的潜在应用。
引用
@article{arxiv.1801.06345,
title = {SCUT-FBP5500: A Diverse Benchmark Dataset for Multi-Paradigm Facial Beauty Prediction},
author = {Lingyu Liang and Luojun Lin and Lianwen Jin and Duorui Xie and Mengru Li},
journal= {arXiv preprint arXiv:1801.06345},
year = {2018}
}
备注
6 pages, 14 figures, conference paper