【技术实现步骤摘要】
本专利技术涉及图像识别领域,具体涉及一种基于多任务学习的卷积神经网络的人脸属性分析方法。
技术介绍
传统的人脸图像分析技术往往只针对单个任务,如年龄估算、性别识别、种族分类等,针对人脸多属性分析时,需要分多次计算,非常消耗时间,很难达到实际需求。此外,单任务的人脸图像分析技术忽视了各个信息之间的联系,不能充分利用人脸图像中所蕴含的信息。人脸的面部特征在不同性别、不同种族之间是不一样的,如男女之间、黑白人种之间皮肤细腻程度、肤色、皮肤光亮程度等存在差异,并且皮肤的光亮程度、色泽、皱纹纹理等会随着年龄增长而发生相应的变化,其变化速度也随性别、种族而异。由此可见,各个人脸信息之间是紧密联系的,将各个任务进行独立学习在一定程度上会丢失很多有用的信息,从而降低模型的泛化能力。
技术实现思路
为了解决现有技术中的上述问题,本专利技术提出一种基于多任务学习的卷积神经网络的人脸属性分析方法,提高了人脸多属性分析时的计算速度和模型的泛化能力。本专利技术提出的基于多任务学习的卷积神经网络的人脸属性分析方法,包括单任务模型分析、多任务模型训练和人脸属性判断三部分;单任务模型分析:步骤A1,将各年龄人脸图像的原始样本进行人脸关键点检测,并进行人脸对齐后按照预设尺寸裁剪生成包含人脸图像的新样本;步骤A2,利用步骤A1生成的新样本,分别训练年龄估算网络、性别识别网络、种族分类网络三个单任务卷积神经网络,比较各网络的收敛速度,获取收敛速度最慢的一个单任务卷积神经网络的权值;多任务模型训练:步骤B1,构建多任务卷积神经网络,该网络共有三个任务输出,分别对应年龄估算、性别识别和种族分类,三个 ...
【技术保护点】
一种基于多任务学习的卷积神经网络的人脸属性分析方法,其特征在于,包括单任务模型分析、多任务模型训练和人脸属性判断三部分;单任务模型分析:步骤A1,将各年龄人脸图像的原始样本进行人脸关键点检测,并进行人脸对齐后按照预设尺寸裁剪生成包含人脸图像的新样本;步骤A2,利用步骤A1生成的新样本,分别训练年龄估算网络、性别识别网络、种族分类网络三个单任务卷积神经网络,比较各网络的收敛速度,获取收敛速度最慢的一个单任务卷积神经网络的权值;多任务模型训练:步骤B1,构建多任务卷积神经网络,该网络共有三个任务输出,分别对应年龄估算、性别识别和种族分类,三个任务都采用softmax损失函数作为目标函数;所述多任务卷积神经网络包括用于多任务学习中数据共享和信息交换的共享部分、以及用于计算上述三个任务输出的独立部分;利用步骤A2获取的单任务卷积神经网络的权值初始化多任务卷积神经网络的共享部分,形成初始化后的多任务卷积神经网络;步骤B2,利用步骤A1中生成的新样本,训练多任务卷积神经网络,得到训练好的多任务卷积神经网络模型;人脸属性判断:步骤C1,对所输入图片进行人脸检测,判断是否包含人脸图像,如包含则对输入图 ...
【技术特征摘要】
1.一种基于多任务学习的卷积神经网络的人脸属性分析方法,其特征在于,包括单任务模型分析、多任务模型训练和人脸属性判断三部分;单任务模型分析:步骤A1,将各年龄人脸图像的原始样本进行人脸关键点检测,并进行人脸对齐后按照预设尺寸裁剪生成包含人脸图像的新样本;步骤A2,利用步骤A1生成的新样本,分别训练年龄估算网络、性别识别网络、种族分类网络三个单任务卷积神经网络,比较各网络的收敛速度,获取收敛速度最慢的一个单任务卷积神经网络的权值;多任务模型训练:步骤B1,构建多任务卷积神经网络,该网络共有三个任务输出,分别对应年龄估算、性别识别和种族分类,三个任务都采用softmax损失函数作为目标函数;所述多任务卷积神经网络包括用于多任务学习中数据共享和信息交换的共享部分、以及用于计算上述三个任务输出的独立部分;利用步骤A2获取的单任务卷积神经网络的权值初始化多任务卷积神经网络的共享部分,形成初始化后的多任务卷积神经网络;步骤B2,利用步骤A1中生成的新样本,训练多任务卷积神经网络,得到训练好的多任务卷积神经网络模型;人脸属性判断:步骤C1,对所输入图片进行人脸检测,判断是否包含人脸图像,如包含则对输入图像进行人脸关键点检测,并进行人脸对齐,然后按照预设尺寸裁剪生成包含人脸图像的新图片;步骤C2,将步骤C1所得新图片,输入到步骤B2得到的多任务卷积神经网络模型,进行年龄估算、性别识别和种族分类。2.根据权利要求1所述的方法,其特征在于,步骤A1具体包括以下内容:步骤A11,选取各年龄人脸图像作为原始样本;步骤A12,对所选取的原始样本进行人脸关键点检测,得到两个关键点;步骤A13,按照两个关键点的位置及其连线对原始样本进行人脸图像的对齐,所述人脸图像的对齐包括对原始样本的旋转、缩放、平移;步骤A14,将步骤A13中对齐后的样本按照预设尺寸裁剪生成包含人脸图像的新样本。3.根据权利要求1所述的方法,其特征在于,步骤A2中在分别训练年龄估算网络、性别识别网络、种族分类网络三个单任务卷积神经网络时,学习率、学习策略等条件完全一致。4.根据权利要求1所述的方法,其特征在于,步骤B1中多任务卷积神经网络的共享部分为多任务网络的底层部分,包括数据输入、卷积层和池化层。5.根据权利要求4所述的方法,其特征在于,步骤B1中多任务卷积神经网络的独立部分为:年龄估算、性别识别、种族分类三个任务独立的网络结构,每个独立网络结构拥有独立的卷积层、pooling层和全连...
【专利技术属性】
技术研发人员:万军,李子青,雷震,谭资昌,
申请(专利权)人:中国科学院自动化研究所,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。