10.19678/j.issn.1000-3428.0054327
基于多任务学习的人脸属性识别方法
针对传统深度卷积神经网络模型复杂、识别速度慢的问题,提出一种基于多任务学习的人脸属性识别方法.通过轻量化残差模块构建基础网络,根据属性类之间的关联关系设计共享分支网络,以大幅减少网络参数和计算开销.以多任务学习的方式联合优化各分支网络与基础网络的参数,利用关联属性间的共同特征实现人脸属性识别.采用带权重的交叉熵作为损失函数监督训练网络模型,改善正负样本数不均衡问题.在公开数据集CelebA上的实验结果表明,该方法的识别错误率低至8.45%,空间开销仅2.7 MB,在CPU上每幅图预测时间低至15 ms,方便部署在资源有限的移动或便携式设备上,具有实际应用价值.
人脸属性识别、轻量化残差模块、深度卷积神经网络、模型压缩、多任务学习
46
TP391.41(计算技术、计算机技术)
国家大学生创新训练项目;广州市教育局市属高校科研项目
2020-04-21(万方平台首次上网日期,不代表论文的发表时间)
共8页
229-236