摘要

属性是具有语义意义的特征，其适用范围广泛跨越各类别边界。在描述和识别概念时，尤其在缺乏显式训练样本的情况下（如零样本学习），属性显得尤为重要。此外，由于属性具有可由人类描述的特性，因此可用于实现高效的人机交互。本文提出利用语义分割来提升面部属性预测的性能。其核心思想在于：许多面部属性描述的是局部特征，即属性在人脸图像中的出现概率在空间域上并非均匀分布。我们构建了一个与深度语义分割网络联合训练的面部属性预测模型。该方法借助语义分割所学习到的定位线索，引导属性预测模型关注不同属性自然显现的区域。通过这一策略，即使在训练过程中仅使用图像级别标签（弱监督），我们仍能实现属性的识别与定位。我们在CelebA和LFWA数据集上对所提方法进行了评估，结果显著优于现有方法。此外，我们还证明，在逆问题中，当提供面部属性信息时，语义人脸解析性能得以提升。这一发现进一步证实了将这两个相互关联的任务联合建模的必要性。