赖心瑜^1,2,陈思^1,2,严严³,王大寒^1,2,朱顺痣^1,2

¹（厦门理工学院计算机与信息工程学院 福建厦门 361024）；²（福建省模式识别与图像理解重点实验室(厦门理工学院) 福建厦门 361024）；³（厦门大学信息学院 福建厦门 361005) (laixinyu@stu.xmut.edu.cn)

出版日期: 2021-12-01


基金资助:国家自然科学基金面上项目(62071404,61773325)；福建省自然科学基金面上项目(2021J011185,2020J01001)；福建省科技计划项目(2020H0023)；厦门市青年创新基金项目(3502Z20206068)

Survey on Deep Learning Based Facial Attribute Recognition Methods

Lai Xinyu^1,2, Chen Si^1,2, Yan Yan³, Wang Dahan^1,2, Zhu Shunzhi^1,2

¹（School of Computer and Information Engineering, Xiamen University of Technology, Xiamen, Fujian 361024);²(Fujian Key Laboratory of Pattern Recognition and Image Understanding(Xiamen University of Technology), Xiamen, Fujian 361024);³(School of Informatics, Xiamen University, Xiamen, Fujian 361005)

Online: 2021-12-01


Supported by:This work was supported by the General Program of the National Natural Science Foundation of China (62071404, 61773325), the General Program of the Natural Science Foundation of Fujian Province (2021J011185, 2020J01001), the Science and Technology Planning Project of Fujian Province (2020H0023), and the Youth Innovation Foundation of Xiamen City (3502Z20206068).

摘要/Abstract

摘要： 人脸属性识别是计算机视觉和模式识别领域的热门研究课题之一，对人脸图像的分析和理解具有重要的研究意义，同时在图像检索、人脸识别、微表情识别和推荐系统等诸多领域具有广泛的实际应用价值.随着深度学习的快速发展，目前国内外****已提出许多基于深度学习的人脸属性识别(deep learning based facial attribute recognition, DFAR)方法.首先，阐述人脸属性识别方法的总体流程.接着，按照不同的模型构建方式，分别对基于部分的与基于整体的DFAR方法进行详细地概述与讨论.具体地，对基于部分的DFAR方法按是否采用规则区域定位进行分类，而对基于整体的DFAR方法则分别从基于单任务学习、基于多任务学习的角度进行区分，并对基于多任务学习的DFAR方法根据是否采用属性分组来进一步细分.然后介绍了常用的人脸属性识别数据集与评价指标，并对比与分析了新近提出的DFAR方法的性能.最后对DFAR方法的未来研究趋势进行展望.

参考文献

相关文章 15

[1]	潘璇, 徐思涵, 蔡祥睿, 温延龙, 袁晓洁. 基于深度学习的数据库自然语言接口综述[J]. 计算机研究与发展, 2021, 58(9): 1925-1950.
[2]	张力天, 孔嘉漪, 樊一航, 范灵俊, 包尔固德. 基于宏微观因素的概率级别的车辆事故预测[J]. 计算机研究与发展, 2021, 58(9): 2052-2061.
[3]	丁宗元, 孙权森, 王涛, 王洪元. 基于融合多尺度标记信息的深度交互式图像分割[J]. 计算机研究与发展, 2021, 58(8): 1705-1717.
[4]	刘壮, 刘畅, Wayne, Lin, 赵军. 用于金融文本挖掘的多任务学习预训练金融语言模型[J]. 计算机研究与发展, 2021, 58(8): 1761-1772.
[5]	陈波冯, 李靖东, 卢兴见, 沙朝锋, 王晓玲, 张吉. 基于深度学习的图异常检测技术综述[J]. 计算机研究与发展, 2021, 58(7): 1436-1455.
[6]	王慧娇, 丛鹏, 蒋华, 韦永壮. 基于深度学习的SIMON32/64安全性分析[J]. 计算机研究与发展, 2021, 58(5): 1056-1064.
[7]	潘旭东, 张谧, 颜一帆, 陆逸凡, 杨珉. 通用深度学习语言模型的隐私风险评估[J]. 计算机研究与发展, 2021, 58(5): 1092-1105.
[8]	李明慧, 江沛佩, 王骞, 沈超, 李琦. 针对深度学习模型的对抗性攻击与防御[J]. 计算机研究与发展, 2021, 58(5): 909-926.
[9]	汪嘉来, 张超, 戚旭衍, 荣易. Windows平台恶意软件智能检测综述[J]. 计算机研究与发展, 2021, 58(5): 977-994.
[10]	周纯毅, 陈大卫, 王尚, 付安民, 高艳松. 分布式深度学习隐私与安全攻击研究进展与挑战[J]. 计算机研究与发展, 2021, 58(5): 927-943.
[11]	汪烨, 陈骏武, 夏鑫, 姜波. 智能需求获取与建模研究综述[J]. 计算机研究与发展, 2021, 58(4): 683-705.
[12]	吴宗友, 白昆龙, 杨林蕊, 王仪琦, 田英杰. 电子病历文本挖掘研究综述[J]. 计算机研究与发展, 2021, 58(3): 513-527.
[13]	廖海斌, 徐斌. 基于性别和年龄因子分析的鲁棒性人脸表情识别[J]. 计算机研究与发展, 2021, 58(3): 528-538.
[14]	付章杰, 李恩露, 程旭, 黄永峰, 胡雨婷. 基于深度学习的图像隐写研究进展[J]. 计算机研究与发展, 2021, 58(3): 548-568.
[15]	古天龙, 冯旋, 李龙, 包旭光, 李云辉. 基于社会新闻数据集的伦理行为判别方法[J]. 计算机研究与发展, 2021, 58(2): 253-263.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4550