[发明专利]基于级联多任务学习深度神经网络的人脸属性识别方法

摘要

基于级联多任务学习深度神经网络的人脸属性识别方法，涉及计算机视觉技术。首先设计级联的深度卷积神经网络，然后在级联的深度卷积神经网络里，对于每一个级联的子网络，采用多任务学习，同时学习人脸分类、边框回归、人脸关键点检测、人脸属性分析四个任务，接着在基于级联多任务学习的深度卷积神经网络里，采用一种动态损失权重机制，来计算人脸属性的损失权重，最终根据训练好的网络模型，将级联的最后一个子网络的人脸属性识别结果作为最终的人脸属性识别结果。使用级联的方法联合训练了三个不同的子网络，达到了端到端的训练，优化了人脸属性识别的结果，不同于在损失函数里使用固定的损失权重，本发明考虑到不同人脸属性间的差异性。

主权项

1.基于级联多任务学习深度神经网络的人脸属性识别方法，其特征在于包括以下步骤：1)准备训练样本集：i＝1,…,N，N为训练样本数，box_k为人脸标注框的坐标向量长度，landmark_p为人脸关键点的坐标向量长度，attr_q为人脸属性的总类别数，N、box_k、landmark_p、attr_q为自然数；表示训练样本对应的固定大小的图像；表示训练样本是否属于人脸的类别：表示训练样本的人脸标注框的坐标；表示训练样本的人脸关键点的坐标；表示训练样本的人脸属性的类别：2)对于训练样本集中每幅输入图像，采用均值池化的方式将输入图像调整到三个不同的尺度，作为三个级联子网络的输入，构造一个图像金字塔作为级联的深度卷积神经网络的输入；3)设计级联的深度卷积神经网络结构；4)在级联的深度卷积神经网络内，对于每一个级联的子网络，采用多任务学习，同时学习人脸分类、边框回归、人脸关键点检测、人脸属性分析四个任务；5)在级联的深度卷积神经网络内采用一种动态损失权重机制，用于计算人脸属性的损失权重；6)将训练样本集中的所有图像放进基于级联多任务学习的深度卷积神经网络内利用反向传播算法进行端到端的训练，得到训练好的模型；7)利用模型进行人脸属性识别，其中级联网络里的最后一个级联子网络得到的人脸属性分析结果为最终的识别结果。