一种基于自监督学习的人脸美丽预测方法

摘要：

人脸美丽预测是研究如何让计算机判断人脸美丽的前沿课题,随着深度学习的不断进展,已经取得了一定效果.然而,基于深度学习的人脸美丽预测需要大量的训练数据和昂贵的人脸美丽标注.因此,如何在少样本条件下取得较好效果,仍有待深入研究.自监督学习可在上游任务中利用无标注数据来学习较好的特征,从而能在下游任务中降低对标注数据的依赖.为此,本文将自监督学习应用于人脸美丽预测,采用批次内对象识别和多视图特征聚类.其中,批次内对象识别通过给每批次不同样本分配独立的伪标签来学习特征,使得网络有区分每个样本对象的能力.多视图特征聚类首先将人脸图像进行多次数据增强;再经过编码器,得到人脸属性特征;最后通过自监督约束使人脸属性特征聚合在一起.基于大规模亚洲人脸美丽数据库(Large Scale Asia Facial Beauty Database,LSAFBD)和SCUT-FBP5500 数据库的实验结果表明,本文所提方法降低了模型对有标注数据的依赖,提高了预测准确率,在少样本条件下优于以Resnet18为基线的有监督学习方法,准确率高于常规自监督学习方法,可广泛应用于目标检测和图像分类等领域.

关键词：人脸美丽预测、自监督学习、数据增强、少样本训练

所属期刊栏目：39

分类号：TN391.4(半导体技术)

资助基金：国家自然科学基金;广东省基础与应用基础研究基金;广东省普通高校基础研究与应用基础研究重点项目

在线出版日期：2023-09-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1500-1509