1. 论文相关
1.1发表期刊和时间：Y. Zhong, J. Sullivan, and H. Li, “Face attribute prediction using off the-
shelf CNN features,” in Proc. Int. Conf. Biometrics, 2016,
2. 摘要
对自然条件下的人脸图像预测属性是一个具有挑战性的计算机视觉问题。要从包含面部的图像中自动描述面部属性，传统上需要在管道中级联三个技术块：人脸定位、面部描述符构造和属性分类。人脸属性预测作为一个典型的分类问题，已经被用深度学习技术得到了解决。目前最先进的性能是通过使用两个级联卷积神经网络（CNN）来实现的，该网络经过专门训练来学习人脸定位和属性描述。在本文中，我们尝试了一种使用CNN深度表示能力的替代方法。结合传统的人脸定位技术，我们使用经过人脸识别任务训练的现成架构来构建面部描述符。识别可描述的人脸属性是多样的，我们的人脸描述符是从不同级别的CNN中为不同的属性构造的，以最好地促进人脸属性预测。对两个大型数据集（LFWA和CelebA）的实验表明，我们的方法完全可以与最先进的方法相媲美。我们的研究结果不仅证明了一种有效的人脸属性预测方法，而且还提出了一个重要的问题：如何利用现成的CNN的能力表示新奇的任务。
2.2 主要贡献
（i）一个用于联合预测大量的人脸属性的有效率的多任务学习（MTL）方法;
（ii）在一个单一的网络对属性相关性和属性异质性两者进行建模;
（iii）研究提出的方法在跨数据库测试场景下的泛化能力;
（iii）通过众包使用人脸图像数据集（LFW）编制LFW +数据库，和异构的人口统计属性（年龄，性别和种族）。
2.3 对关于多面部属性联合估计的最新文献的一个简要回顾
涵盖特征表示，预测模型，数据库，和性能表现。
2.4 CelebA数据集上属性与属性两两之间的关系
Deep Learning Face Attributes in the Wild
3.主要思想
3.1 属性关系分析
image.png
上图展示了人脸属性的相关性以及多样性，单个属性可以是多样的（根据数据类型或者数据量，以及语义等），单个属性之间也存在着较大的联系。
3.2 提出的网络结构
image.png
4. 主要方法
5.优缺点
5.1 优点
（1）属性分类能共享特征学习阶段的权值；
（2）根据属性划分，使用相应的损失函数；
（3）特征学习的CNN框架简单；
（4）理论描述严密。
5.2 缺点
（1）正由于其使用简单结构CNN，虽使速度有提升，但属性分类准确率还不太高；
（2）组合不同损失函数还未优化
参考资料
[1] 人脸属性多任务学习：Heterogeneous Face Attribute Estimation: A Deep Multi-Task Learning Approach
[2] 论文笔记之：Heterogeneous Face Attribute Estimation: A Deep Multi-Task Learning Approach
[3] 人脸属性——多任务
论文
[1] Face attribute prediction using off the- shelf CNN features
网友评论