简介
本文介绍了一个用于人脸分类的文章，该文章发表在2018年的《TPAMI》期刊上。
文章主要做了如下几个工作：
- 避开人脸姿态、对齐的工作，着重对多种属性的联合预估进行分析判断。
- 充分使用人脸属性的相关性与异质性进行训练。
- 端到端的学习训练模式。
- 使用大量的场景进行训练。
主要思路
本文经过分析，将人脸的属性按照数据类型和语义信息这两种方式进行了划分，分别是全局与局部属性，连续与离散属性。经过排列组合，可以得到四类属性分组。
对于每一类属性，网络共享前置的基础网络特征，在基础网络后针对不同的分组，分别设置了相对独立的不同的神经网络结构。
| ordinal + local | nominal + local |
| ordinal + global | nominal + global |
损失函数
多任务学习
传统的多任务学习使用如下方式：
作者在此基础上引入了对共享权值和独立权值的学习率参数，以区别对待。
针对分组多任务学习，损失函数相应地调整为：
离散特征 VS 连续特征
- 对于连续属性特征，模型使用L2距离进行回归训练；
- 对于离散属性特征，模型采用交叉熵进行模型训练。
网络模型
本文的网络结构在AlexNet的基础上做了一些修改，包含一个5层的卷积和2层全连接，每一层卷积都跟着一个BN层和一个最大池化层。经过这7层的网络学习后得到共享的属性特征。接着对于不同组别的属性分类任务，模型分别使用一个独立的网络结构进行特征学习。
实验部分
文章在MORPH II、CelebA、LFWA、ChaLearn LAP和FotW等数据集上进行了验证。
数据预处理
实验中使用SeetaFace Engine对数据集中的图像进行人脸检测和特征点定位，随后基于5个特征点将人脸归一化到$256 \ast 256 \ast 3$的尺寸。
对于属性分组，本文将所有属性按照数据类型（离散、连续）与语义信息（全局、局部）分成了四类。
连续与离散属性预测
二元属性预测
与主流算法在CelebA和LFWA数据集上的比较都达到了比较理想的效果。
单任务与多任务对比
实验利用CelebA中常见的8中属性进行多任务训练与单任务训练的对比。实验结果表明在大部分场景下，使用多任务能够显著提升模型性能。
跨数据集测试
论文进行了跨数据集的实验以验证模型的泛化能力。
运行效率分析
算法的运行效率如图所示，相比主流方法有较为明显的优势。
文献引用
- Han H, Jain A K, Wang F, et al. Heterogeneous face attribute estimation: A deep multi-task learning approach[J]. IEEE transactions on pattern analysis and machine intelligence, 2017, 40(11): 2597-2609.