基于多任务学习的人脸属性识别研究
文献类型：学位论文
| 作者 | 赵明
|
| 答辩日期 | 2021-05-21 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 刘昶 |
| 关键词 | 人脸属性识别 多任务学习 特征差异化 图卷积神经网络 特征融合 |
| 学位名称 | 专业学位硕士 |
| 学位专业 | 控制工程 |
| 其他题名 | Research of Face Attribute Recognition Based on Multi-Task Learning |
| 英文摘要 | 近年来，随着人工智能的蓬勃发展，越来越多基于机器学习的人脸分析技术融入到社会生活中。人脸属性识别技术作为人脸分析技术中的重要组成部分，已经在智慧城市、人机交互和多媒体效果测量等方面得到了广泛的应用。同时，由于视觉采集获取技术的升级和计算机性能的提高，人脸属性识别任务将面临更丰富的属性维度和更嘈杂的数据信息带来的巨大挑战。当前人脸属性识别的传统方法专注于手工设计特征以分析大量人脸图像数据，这类方法耗费大量精力且泛化性弱。而基于单任务学习的人脸属性识别方法，在解决多属性任务问题上不适用，并且需要耗费大量的计算时间和运行内存。因此，为了克服以上挑战，本文从多任务学习的角度出发，对人脸属性识别任务展开研究。本文主要研究内容如下：（1）为了解决人脸属性识别模型训练阶段，各属性任务下特征的噪声污染导致的负迁移问题，本文提出了一种特征差异化结构算法。该算法能够学习任务特有的属性特征，缓解各个特定任务潜在空间的相互干扰。同时结合对抗策略，在正交性损失约束下，限制两种网络参数间的相似性，进一步保证共享特征和任务特殊性特征表达的准确性。更重要的是，鉴于多属性任务数据集存在严重的数据类别不平衡问题，会使训练模型有效性受损。因此，算法的模型评价指标中，在使用准确度的基础上，还添加平衡准确率、精确率、召回率和F1得分（F1-score）进行多维度的有效性评估，从而避免评价分数虚高等问题，准确全面分析模型最终表现。（2）在人脸面部属性信息数量巨大且关系复杂的状况下，本文通过形式化的多属性关系特征，提出了一种基于属性共现关系的相关性挖掘网络。该网络模型采用图卷积神经网络将属性关系引入到多任务学习中，以完全数据驱动的方式学习多属性任务间的关系。另外，该网络模型继承上一章节模型的设计思路，并利用特征融合模块，进一步完成模型和训练细节的优化。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 68页 |
| 源URL | [http://ir.sia.cn/handle/173321/28994]  |
| 专题 | 沈阳自动化研究所_数字工厂研究室 |
| 作者单位 | 中国科学院沈阳自动化研究所 |
| 推荐引用方式 GB/T 7714 | 赵明. 基于多任务学习的人脸属性识别研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2021. |
入库方式： OAI收割
来源：沈阳自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。