摘要

人脸属性估计在视频监控、人脸识别检索以及社交媒体等领域具有广泛的应用前景。尽管已有多种方法被提出用于人脸属性估计，但大多数方法在特征表示学习过程中并未显式考虑属性之间的相关性以及属性间的异质性（例如，序数属性与名义属性、整体属性与局部属性的差异）。本文提出一种深度多任务学习（Deep Multi-Task Learning, DMTL）方法，旨在从单张人脸图像中联合估计多个异质属性。在DMTL框架中，我们利用卷积神经网络（CNN）同时实现共享特征学习（适用于所有属性）与类别特定特征学习（针对异质属性），以有效建模属性间的相关性与异质性。此外，本文还构建了一个无约束的人脸数据库LFW+，作为公开数据集LFW的扩展版本，其中包含通过众包方式获取的异质人口统计属性（年龄、性别和种族）。在包含多个面部属性的基准数据集（MORPH II、LFW+、CelebA、LFWA和FotW）上的实验结果表明，所提方法在性能上优于当前最先进的技术。最后，在仅包含单一属性的公开人脸数据库（LAP）上的评估进一步验证了该方法出色的泛化能力。