论文笔记《Deep Learning Face Attributes in the Wild》

这篇论文主要提出了一个人脸属性预测的框架，将人脸定位和属性预测统一起来.此外另一个重要的贡献是构建了人脸属性预测的Benchmark.　论文的·项目链接

LNets+ANet 主要部分：

LNets+ANet方法的整个流程主要由３部分构成：LNets(人脸区域的定位)＋ANet(属性特征提取网络) ＋ SVM(属性分类)，这三个部分是按照顺序独立完成的. 其中LNets和ANet结构类似于Ａlex-Net.

LNet0+LNets

LNet 结构：５个卷基层＋１个全连接层
LNet loss: 采用attributes labels ，利用cross-entropy　loss训练
LNet0：输入是原始图像，期望定位一个包含头部＋肩膀的人脸区域
LNets：输入是LNet 0的输出，期望输出只包含人脸的精细区域

ANet

ANet结构：４个卷基层＋１个全连接层(不同的是前两个卷基层参数全局共享，即普通的卷积，而后两个卷基层参数局部共享)
Pre-training：作者选择了8k个人，约 160k 的训练图像. 一种比较简单的方式是直接使用 8000 个类别输出的softmax loss直接训练。但是这样每个类别只有 20张训练图像，为了学习到类内部的不变性，作者组合softmax loss 和 similarity loss，这里的similarity loss是以属于同一个人的 Fc 特征的L2 loss 量化.
Fine-tuning: 用attributes labels 做fine-tuning.

SVM

提取ANet的Fc特征，利用属性标记训练40个SVM. 需要注意的是他们并没有把 SVM 嵌入CNN，特征识别和SVM训练是两个单独的过程.

LNets+ANet 对比实验设置：

1 Face-Tracer(ECCV’08)：提取人脸重要区域的HOG 和 color histograms特征，然后训练 SVM 做属性的分类.
2 PANDA(CVPR’14): 提取人脸重要区域的CNN特征,然后训练 SVM 做属性的分类.　
　作者使用了两个人脸重要区域的选择的方案：
　PANDA-w：使用当前最好的人脸检测和对齐方法
　PANDA-l：使用ground truth landmark points
3 Face detection+ANet: 主要就是将本文的人脸定位网络LNets替换为当前最好的人脸检测. 作者这个实验验证定位网络对属性预测性能的贡献.

LNets+ANet 实验结果：

作者构建了两个数据集CelebA and LFWA,　其中训练数据和测试数据的划分如下：

  Datasets| identities  | face images |  training ANet, LNet  |  training SVM |  Test
----------------------------------------------------------------------------------------------------------------------------------
CelebA   　  　　10,177       202,599        8k identities          2k identities     1k identities
LFWA　          5,749        13,233        0                    6,263 face iamges   6970 face images
----------------------------------------------------------------------------------------------------------------------------------
**注:** LFWA直接使用在CelebA 上训练好的ANet, LNet，因此训练图像的数目是０，构建LFWA主要是为了检验ANet, LNet的泛化性能

40个属性的平均预测结果(准确率％)如下：

  Datasets|  Face-Tracer| PANDA-w  | PANDA-l | Face detection+ANet | LNets+ANet
-------------------------------------------------------------------------------------------------------------------------
CelebA   　      　81          79         85              83                87
LFWA　     　      74          71         81              76                84
-------------------------------------------------------------------------------------------------------------------------

本作品采用知识共享署名 2.5 中国大陆许可协议进行许可，欢迎转载，但转载请注明来自 Sunshine 并保持转载后文章内容的完整。本人保留所有版权相关权利。