结合自监督学习和生成对抗网络的小样本人脸属性识别
目的 人脸属性识别是计算机视觉和情感感知等领域一个重要的研究课题.随着深度学习的不断发展,人脸属性识别取得了巨大的进步.目前基于深度学习的人脸属性识别方法大多依赖于包含完整属性标签信息的大规模数据集.然而,对于小样本数据集的属性标签缺失问题,人脸属性识别方法的准确率依然较低.针对上述问题,本文提出了一种结合自监督学习和生成对抗网络的方法来提高在小样本数据集上的人脸属性识别准确率.方法 使用基于旋转的自监督学习技术进行预训练得到初始的属性识别网络;使用基于注意力机制的生成对抗网络得到人脸属性合成模型,对人脸图像进行属性编辑从而扩充训练数据集;使用扩充后的训练数据集对属性识别网络进行训练得到最终模型.结果 本文在小样本数据集UMD-AED(University of Maryland attribute evaluation dataset)上进行了实验并与传统的有监督学习方法进行了比较.传统的有监督学习方法达到了63.24%的平均准确率,而所提方法达到了69.01%的平均准确率,提高了5.77%.同时,本文在CelebA(CelebFaces attributes dataset)、LFWA(labeled faces in the wild attributes dataset)和UMD-AED数据集上进行了使用自监督学习和未使用自监督学习的对比实验,验证了自监督学习在小样本数据集上的有效性.结论 本文所提出的结合自监督学习和生成对抗网络的人脸属性识别方法有效提高了小样本数据集上属性识别的准确率.
人脸属性识别、自监督学习、生成对抗网络(GAN)、数据增强、小样本训练
25
TP391(计算技术、计算机技术)
国家自然科学基金项目;国家重点研发计划项目
2020-12-21(万方平台首次上网日期,不代表论文的发表时间)
共13页
2391-2403