基于多任务学习的人脸属性识别方法
Computer Engineering（2020）
摘要
针对传统深度卷积神经网络模型复杂、识别速度慢的问题,提出一种基于多任务学习的人脸属性识别方法.通过轻量化残差模块构建基础网络,根据属性类之间的关联关系设计共享分支网络,以大幅减少网络参数和计算开销.以多任务学习的方式联合优化各分支网络与基础网络的参数,利用关联属性间的共同特征实现人脸属性识别.采用带权重的交叉熵作为损失函数监督训练网络模型,改善正负样本数不均衡问题.在公开数据集CelebA上的实验结果表明,该方法的识别错误率低至8.45％,空间开销仅2.7 MB,在CPU上每幅图预测时间低至15 ms,方便部署在资源有限的移动或便携式设备上,具有实际应用价值.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要