基于深度学习的非实验室场景人脸属性识别
非实验室场景下的人脸图片数量巨大,更加贴近生活,对其进行识别具有较大的研究价值.文中对非实验室环境下的人脸属性识别问题进行了研究,提出了一种人脸属性识别网络(Regional Multiple Layer Attributes Related Net,RMLARNet),不仅对人脸特征的提取方式进行了研究,还挖掘了人脸属性间的关系.该网络由3个部分组成:1)将人脸图像分割成包含属性部位的多个局部区域,并将这些局部区域作为输入提取特征信息;2)以Inception V3为迁移模型,采取多个不相邻卷积层迁移方式提取人脸特征;3)搭建了一个以人脸属性关系为约束的属性识别网络.实验结果表明,对CelebA数据集进行筛选处理,创建属性样本较平衡的CelebA-数据集,并在该数据集上设计实验将取得优于现有方法的实验效果.
人脸属性识别、多标签任务、深度学习、迁移学习、属性约束
46
TP391.4(计算技术、计算机技术)
国家自然科学基金61772268
2019-12-19(万方平台首次上网日期,不代表论文的发表时间)
共5页
246-250