基于属知相关图门控CNN面部属性分类.pdfVIP

使用属知相关图和门控卷积神经网络进行面部属性分类

SunghunKang,DonghoonLee,和ChangD.Yoo

韩国院电气工程系大田市尤松区大学

路291号，韩国

本文提出了一种基于属知相关图和门控卷积神经网

络（CNN）的面部属性分类方法。属知相关图

了像素位置与属性之间的关联信息，每个属性的相

关图了有关应提取相关特征的区域的信息。利用所

有属性的相关图，发现了多个最相关的面部部分区域。

基于这些面部部分区域，同时预训练CNN的门控列以生

成面部表示，然后微调用于属性分类。在此过程中，每

个CNN列从发现的一个区域接收输入。CNN列被门控，

以便在学习过程的反向中，较少相关属性的分类错

误不会过度影响学习过程。在实验中，我们手动标注了

LabeledFacesintheWild（LFW）基准数据集中的

每张图像，包含40个面部属性，并获得了显著的性能提

升，超过了其他最先进的方法。图1.第一列和第三列分别代表不同属性的平均人脸，第

二列和第四列代表属性与图像不同位置像素值之间的相

关图。展示了六个属性的平均人脸和属知相关图。

第一列中的属性（女性，微笑，和非裔人）与全局

索引术语—人脸属性分类，属性分类，卷积神经

区域相关，而第二列中的属性（胡子，墨镜，和秃头）

网络，门控卷积神经网络，人脸表示

与特定局部区域相关。

1.引言

预测各种面部属性，包括生理特征、表情以及佩戴的任这里的基本思想是，最有效的特征和相关区域因不同的

何配饰，对于需要标记[1,2],搜索[1],[3,2],和验属性而异，这些特征和区域必须被确定。例如，为了预

证[4,5]人脸的服务非常有帮助。这种预测通常被称为测眼镜的存在，应在眼睛附近检查表示形状和纹理的特

属性分类，而姿态、光照和遮挡的变化使其成为一个难征；而为了预测秃顶，应在头部和前额附近检查主要表

题。示纹理的特征。

为了以高效且集中的方式同时考虑多个属性，设计了一个用

于多属性分类的通用框架。对于每个考虑的属性，该框架从与该

属性相关的面部区域提取相关特征，然后根据一个通用进行

二元分类{v1}。

图1展示了六个属性（女性、微笑、非裔人、

这项工作得到了韩国知识经济部(MKE)资助的产业战略技术开发

胡子、墨镜、秃头）的平均脸及其相关联的相关图。如

计划开发自改进双向可持续HRI技术)的支持。

图所示，不同的面部位置了关于属性的不同信息量。

FACEATTRIBUTECLASSIFICATIONUSINGATTRIBUTE-AWARECORRELATIONMAP

ANDEDCONVOLUTIONALNEURALNETWORKS

SunghunKang,DonghoonLee,andChangD.Yoo

KoreaAdvancedinstitute