General-to-specific learning for facial attribute classification in the wild

مطالعات اخیر نشان داده است که ویژگی های صورت دارای نکاتی مفید برای تعدادی از برنامه های کاربردی مانند تایید چهره هستند. با این حال، تفسیر ویژگی دقیق صورت همچنان یک چالش بزرگی در زندگی واقعی به علت سران بزرگ، انحطاط و تغییرات نورانی است. در این کار، ما معماری شبکهای عمیق عمیق عمیق را برای پیش بینی ویژگی های چندگانه از یک تصویر در طبیعت پیشنهاد می کنیم. اول، ما وابستگی متقابل میان همه صفات را با یادگیری مشترک آنها همه مدل ها را مدل می کنیم. دوم، یادگیری کار آگاهانه به منظور بررسی اختلاف در مورد هر ویژگی اتخاذ می شود. در نهایت، یک طرح برداشت چهره با ویژگی خاص، برای استخراج ویژگی های بیشتر تشخیصی از کجا یک ویژگی خاص به طور طبیعی نشان می دهد پیشنهاد شده است. استراتژی یادگیری پیشنهاد شده هر دو ثبات و عملکرد مدل را تضمین می کند. آزمایش های گسترده در دو مجموعه داده های قابل دسترس در دسترس به طور قابل ملاحظه اثربخشی معماری ما و برتر بودن جایگزین های پیشرفته ای را نشان می دهد.