基于多任务学习的人脸属性联合估计方法研究

发布时间：2021-11-19 01:47

　　近年来,互联网及其相关产业发展迅速,整个社会已经进入了大数据时代。从互联网上获取各种人脸相关的图像和视频数据正变得前所未有地方便。人的面部图像包含了丰富的个人信息,包括性别、种族、年龄、表情等个人属性。人脸图像的这一性质,使其在诸如安防、娱乐以及社交领域具有极其广泛的潜在应用。另一方面,计算能力的飞速发展也使得深度学习成为最近十年来的热门研究方向。基于深度学习的卷积神经网络在各种计算机视觉任务中,都表现出了远超传统图像处理方法的性能。而多任务学习在深度学习的发展中,也有着非常重要的地位。因此,研究基于多任务学习的人脸属性联合估计是具有极大的学术价值和应用价值的。本文的具体工作如下:首先,本文从传统的基于手工提取特征的方法和基于深度学习的方法入手,对人脸属性估计和多任务学习领域的研究现状进行了深入分析,然后分析比较了在人脸属性估计这一特定的任务背景下,单任务学习和多任务学习的不同。其次,本文提出了一种改良的多任务学习网络,称为有限共享多任务网络,解决了目前的多任务学习网络存在的信息流动问题。传统的多任务学习网络采取的是浅层网络共享,高层网络分支的结构,其想法是利用浅层网络提取出低级的共享... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

基于传统方法的人脸属性估计方法流程

第二章卷积神经网络基础及多任务人脸属性估计相关方法7第二章卷积神经网络基础及多任务人脸属性估计相关方法2.1引言从1989年LeCun提出第一个真正意义上的卷积神经网络到今天为止，卷积神经网络已经走过了29个年头。而自2012年AlexNet网络出现之后，卷积神经网络得到了急速发展，在很多问题上取得了当前最好的结果，是各种深度学习技术中用途最广泛的一种，也是人脸属性估计最常用的神经网络结构。本章首先介绍卷积神经网络的基本概念和基本结构，然后从数据集、数据处理方法、损失函数和评价指标几方面介绍人脸属性估计的研究基础，最后详细介绍了多任务学习的一般概念和常用方法。2.2卷积神经网络基本概念本节主要介绍卷积神经网络的基本概念，包括卷积、激活函数、池化以及多种批归一化方法等，并在本节最后对当下常用的卷积神经网络模型进行了一个简要的梳理。2.2.1卷积层卷积层是卷积神经网络最基本的组成单元之一，在网络中往往也消耗了最多的计算资源。卷积层由卷积核组成，常用于图像特征的提龋卷积实际上是一个加权求和的线性操作，还有可能包括对输入图像的边缘用0进行填充等过程。具体地，卷积核按照设定的stride（步长）在输入的特征图上平行滑动，依次与图上对应位置的像素点相乘再相加得到这一次卷积的结果，所有的像素点组成了这一个卷积核输出的特征图。图2-1所示为一个简单的卷积示意图，图中输入特征图的尺寸为5×5，卷积核的尺寸为3×3。图2-1卷积示意图

第二章卷积神经网络基础及多任务人脸属性估计相关方法11通过约束每一层网络输出的分布，间接地提升了网络的泛化能力。因此可以抛弃传统的增加泛化性能的方法，如L2正则化和dropout等。鉴于BN如此优越的表现，越来越多的研究者都在其网络中加上了BN层，BN算法的优势也在众多不同的网络模型中得到了验证。2.2.4常用激活函数激活函数层在卷积神经网络中有着独一无二的作用：提供非线性。无论是卷积层，池化层还是全连接层，都是线性变换，在面对较为复杂的问题时拟合能力稍显不足，激活函数提供的非线性极大地提高了网络的拟合能力。常用的激活函数包括Sigmoid函数，tanh函数，ReLU函数以及对应的变种，如LeakyReLU以及PRLeLU等。Sigmoid函数的表达式如下：1()1xfxe（2-2）Sigmoid函数的导数为："f(x)f(x)(1f(x))（2-3）可以看到，Sigmoid函数的导数非常容易计算，仅用函数值就可以得到导数的值。Sigmoid函数及其导数的图像如图2-2所示：图2-2Sigmoid及其导数的函数图像


本文编号：3504039