类别不平衡的多任务人脸属性识别

doi:10.3969/j.issn.1006-2475.2018.06.012

计算机与现代化 ›› 2018, Vol. 0 ›› Issue (06): 58-.doi: 10.3969/j.issn.1006-2475.2018.06.012

类别不平衡的多任务人脸属性识别

（南京航空航天大学计算机科学与技术学院，江苏南京210016）

收稿日期:2017-12-05 出版日期:2018-07-05 发布日期:2018-07-05
作者简介:张文（1992-），男，安徽铜鼓人，南京航空航天大学计算机科学与技术学院硕士研究生，研究方向：计算机视觉，深度学习。
基金资助:
国家自然科学基金资助项目(61672280,61373060,61732006)；江苏省333高层次人才培养工程项目(BRA2017377)

Multi-taskFaceAttributeRecognitionBasedonUnbalancedClasses

(CollegeofComputerScienceandTechnology,NanjingUniversityofAeronauticsandAstronautics,Nanjing210016,China)

Received:2017-12-05 Online:2018-07-05 Published:2018-07-05

摘要/Abstract

摘要： 属性的识别对物体的识别起到了比较重要的作用，例如人脸验证和场景识别。提高属性的识别率对后面基于属性特征的应用的正确率有很大的影响。近些年来，有些工作也开始关注于属性的学习，而很多的工作都是基于属性之间独立的假设，但在实际中很多的属性都是强相关的，例如没有胡子和女性，光头和头发的颜色；很多的工作忽略了类别之间的不平衡性，例如光头的样本比例可能只占样本的很小一部分。基于这2个观察，本文提出一种基于多任务的类别不平衡的人脸属性识别网络架构，该网络结构是由Densenet修改而来。该方法比以往的方法效果要好，一定程度上缓解了不平衡问题，且参数少，计算效率更高，在公开人脸属性数据集CelebA和LFWA上的实验验证了该方法的有效性。

关键词: 人脸属性, 深度学习, 多任务学习, 多标号学习

Abstract: Therecognitionofattributesplaysanimportantroleinobjectrecognition,suchasfaceverification,activityrecognitioninvideo.Theimprovementofattributerecognitionwillleadtobetterresultfortheapplicationwhichusestheseattributes.Inrecentyears,therearesomeworksfocusingontheattributelearning.However,attributeshavebeenconsideredtobeindependentinmostworks.Inpractice,weknowthatisnotrightandmanyattributesarestronglyrelated,suchasnobeardandfemale,baldandhaircolor.Inaddition,mostworksneglecttheunbalanceofdifferenceclasssamples,suchasimagesofbaldisaverysmallpartofsamples.Basedonthetwoobservations,weproposeamulti-taskunbalancedfacialattributerecognitionframeworkusingmodifiedDensenet.Toacertaindegrees,theframeworkrelievestheunbalancedproblem.Theproposedmethodoutperformsothermethods,haslessparametersandrunsfaster.Wedemonstratetheeffectivenessofourmethodontwochallengingpubliclyavailabledatasets.

Key words: faceattribute, deeplearning, multi-tasklearning, multi-labellearning

中图分类号:

TP391

张文. 类别不平衡的多任务人脸属性识别[J]. 计算机与现代化, 2018, 0(06): 58-.

ZHANGWen. Multi-taskFaceAttributeRecognitionBasedonUnbalancedClasses[J]. Computer and Modernization, 2018, 0(06): 58-.

参考文献

［1］DuanK,ParikhD,CrandallD,etal.Discoveringlocalizedattributesforfine-trainedrecognition［C］//2012IEEEConferenceonComputerVisionandPatternRecognition.2012:3474-3481.
［2］PhillipsPJ,ZhengJingjing,JiangZhuolin,etal.Submodularattributeselectionforactionrecognitioninvideo［C］//AdvancesinNeuralInformationProcessingSystems.2014:1341-1349.
［3］KumarN,BergAC,BelhumeurPN,etal.Attributeandsimileclassifiersforfaceverification［C］//IEEEInternationalConferenceonComputerVision(ICCV).2009:365-372.〖JP〗
［4］KumarN,BergAC,BelhumeurPN,etal.Describablevisualattributesforfaceverificationandimagesearch［J］.IEEETransactionsonPatternAnalysisandMachineIntelligence,2011,33(10):1962-1977.
［5］WuZhong,KeQifa,SunJan,etal.Scalablefaceimageretrievalwithidentity-basedquantizationandmultireferencereranking［J］.IEEETransactionsonPatternAnalysisandMachineIntelligence,2011,33(10):1991-2001.
［6］LiuZiwei,LuoPing,WangXiaogang,etal.Deeplearningfaceattributesinthewild［C］//2015IEEEInternationalConferenceonComputerVision.2015:3730-3738.
［7］ZhangNing,PaluriM,RanzatoM,etal.Panda:Posealignednetworksfordeepattributemodeling［C］//2014IEEEInternationalConferenceonComputerVision.2014:1637-1644.
［8］KrizhevskyA,SutskeverI,HintonGE.ImageNetclassificationwithdeepconvolutionalneuralnetworks［C］//AdvancesinNeuralInformationProcessingSystems.2012:1097-1105.
［9］HuangGao,LiuZhuang,WeinbergerKQ.Denselyconnectedconvolutionalnetworks［C］//2017IEEEConferenceonComputerVisionandPatternRecognition.2017:2261-2269.
［10］AbrarHA,WangGang,LuJiwen,etal.Multi-taskCNNmodelforattributeprediction［J］.IEEETransactionsonMultimedia,2015,17(11):1949-1977.
［11］LeviG,HassnerT.Ageandgenderclassificationusingconvolutionalneuralnetworks［C］//2015IEEEConferenceonComputerVisionandPatternRecognitionWorkshops.2015:34-42.
［12］〖JP2〗RenShaoqing,HeKaiming,GirshickRB.FasterR-CNN:〖JP〗Towardsreal-timeobjectdetectionwithregionproposalnetworks［J］.IEEETransactionsonPatternAnalysisandMachineIntelligence,2015,39(6):1137-1149.
［13］YangShuo,LuoPing,LoyCC,etal.Fromfacialpartsresponsestofacedetection:Adeeplearningapproach［C］//2015IEEEInternationalConferenceonComputerVision.2015:3676-3684.
［14］SunYi,WangXiaogang,TangXiaoou.Deeplearningfacerepresentationfrompredicting10,000classes［C］//2014IEEEConferenceonComputerVisionandPatternRecognition.2014:1891-1898.
［15］〖JP2〗DevriesT,BiswaranjanK,TaylorGW.Multi-tasklearningoffaciallandmarksandexpression［C］//2014CanadianConferenceonComputerandRobotVision.2014:98-103.〖JP〗
［16］ZhouQiang,WangGang,JiaKui,etal.Learningtosharelatenttasksforactionrecognition［C］//2013IEEEInternationalConferenceonComputerVision.2013:2264-2271.
［17］HuangYan，WangYan,WangLiang.Unconstrainedmultimodalmulti-labellearning［J］.IEEETransactionsonMultimedia,2015,17(11):1923-1935.
［18］WangYang,MoriG.Adiscriminativelatentmodelofobjectclassesandattributes［C］//The11thEuropeanConferenceonComputerVision.2010:155-168.
［19］RuddEM,GntherM,BoultTE.MOON:Amixedobjectiveoptimizationnetworkfortherecognitionoffacialattributes［C］//The14thEuropeanConferenceonComputerVision.2016:19-35.
［20］HandEM,ChellappaR.Attributesforimprovedattributes:Amulti-tasknetworkutilizingimplicitandexplicitrelationshipsforfacialattributeclassification［C］//Proceedingsofthe31stAAAIConferenceonArtificialIntelligence.2017:4068-4074.
［21］HuangGB,RameshM,BergT,etal.LabeledFacesintheWild:ADatabaseforStudyingFaceRecognitioninUnconstrainedEnvironments［R］.UniversityofMassachusettsAmherst,2007.
［22］ZhongYang,SullivanJ,LiHaibo.Faceattributepredictionusingoff-the-shelfCNNfeatures［C］//2016InternationalConferenceonBiometrics.2016:1-7.

[1]	祁贤, 刘大铭, 常佳鑫. 基于改进自注意力机制的多视图三维重建[J]. 计算机与现代化, 2024, 0(11): 106-112.
[2]	陈凯1, 李宜汀1, 2, 全华凤1 . 基于改进YOLOv8的河道废弃瓶检测方法[J]. 计算机与现代化, 2024, 0(11): 113-120.
[3]	杨骏1, 胡为1, 朱文福2. 基于改进MobileNetV3的视觉SLAM回环检测算法[J]. 计算机与现代化, 2024, 0(10): 21-26.
[4]	王莹莹, 郝潇. 基于Res2Net和递归门控卷积的细粒度图像分类[J]. 计算机与现代化, 2024, 0(10): 74-79.
[5]	史星宇1, 李强2, 庄莉3, 梁懿3, 王秋琳3, 陈锴3, 伍臣周3, 常胜1. 一种面向工业部署的目标检测模型蒸馏技术[J]. 计算机与现代化, 2024, 0(10): 93-99.
[6]	张泽1, 张建权2, 3, 周国鹏2, 3. 基于改进YOLOv8s的摄像头模组缺陷检测[J]. 计算机与现代化, 2024, 0(09): 107-113.
[7]	程亚子1, 雷亮1, 2, 陈瀚1, 赵毅然1. 基于转置注意力的多尺度深度融合单目深度估计[J]. 计算机与现代化, 2024, 0(09): 121-126.
[8]	程萌, 李浩. 改进YOLOv5s的落叶树鸟巢检测方法[J]. 计算机与现代化, 2024, 0(08): 24-29.
[9]	王梦溪, 李峻. 老年人跌倒检测技术研究综述[J]. 计算机与现代化, 2024, 0(08): 30-36.
[10]	时现伟1, 范鑫2. 基于轻量化的视频帧场景语义分割方法[J]. 计算机与现代化, 2024, 0(08): 49-53.
[11]	徐新爱, 李钢. 基于DCGAN的课堂表情图像生成方法[J]. 计算机与现代化, 2024, 0(08): 88-91.
[12]	高帅鹏, 王怡凡. 基于图像的群体情绪识别综述[J]. 计算机与现代化, 2024, 0(08): 98-107.
[13]	黄文栋, 王怡凡. 基于模态类别的多模态信息处理与融合综述[J]. 计算机与现代化, 2024, 0(07): 47-62.
[14]	武丽1, 张征浩2, 葛彩成2, 俞俊2. 基于改进SCNN网络的车道线检测算法[J]. 计算机与现代化, 2024, 0(07): 87-92.
[15]	张可1, 艾中良2, 刘忠麟3, 顾平莉1, 刘学林4. 基于多元组匹配损失的司法论辩理解方法[J]. 计算机与现代化, 2024, 0(06): 115-120.

类别不平衡的多任务人脸属性识别

Multi-taskFaceAttributeRecognitionBasedonUnbalancedClasses

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价