项目名称: 非约束环境下人脸多属性分析的理论与方法研究

项目编号: No.61472386

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 其他

项目作者: 周曦

作者单位: 中国科学院重庆绿色智能技术研究院

项目金额: 81万元

中文摘要: 人脸属性识别是指基于面部特征来对人脸的性别、表情、种族、年龄等属性做出判断,在人脸图像检索、可疑人员监控等多个领域具有广阔的应用前景。现有人脸属性识别方法通常只提取低层图像特征、对属性之间相关性的利用不够充分;另外由于光照、角度、遮挡、图像质量等因素的影响,现有方法对环境变化不够鲁棒。本项目将围绕非约束环境下人脸属性的表示与识别这一关键科学问题,针对非约束环境下的人脸图像正规化、人脸属性特征的学习、人脸属性之间相关性的利用等理论与方法开展研究,重点突破基于自适应多列栈式稀疏去噪自编码器的人脸图像正规化、基于深度卷积神经网络的多种人脸属性特征学习、融合属性之间相关性的分类器设计及多属性分类结果融合等关键技术。项目将开发基于多属性识别的人脸图像实时检索系统,其性能达到国际同类算法的领先水平,为大规模视频监控网络下可疑人员监控等重大安防应用奠定基础。

中文关键词: 人脸属性识别;深度学习;卷积神经网络

英文摘要: Facial attribute recognition is to estimate the facial attributes, such as gender, expression, ethnicity and age etc., based on the extracted facial features. It is widely used in the fields of face image search, suspicious person monitoring, etc. Existing facial attribute recognition methods usually extract low-level visual features and do not use the correlations between the attributes sufficiently. Moreover, these methods are not robust to environment change due to the effects of illumination, pose, occlusion, image quality, etc. Focusing on the scientific problem of facial attribute representation and recognition in unconstrained environment, this project aims to investigate the theory and methods of face image normalization in unconstrained environment, facial attribute feature learning and the usage of correlations between facial attributes, and to break through the key technologies of face image normalization based on adaptive multi-column stacked sparse denosing autoencoder, multi-attribute feature learning based on deep convolutional neural networks, and classifier design by incorporating the correlations between the attributes and fusing multi-attribute classification results. This project will develop a real-time face search system based on multi-attribute recognition, which can reach the state-of-the-art performance and lay the foundation for the significant security applications like suspicious person monitoring under large-scale video surveillance.

英文关键词: facial attribute recognition;deep learning;convolutional neural network

成为VIP会员查看完整内容
0

相关内容

AAAI 2022 | 面向图数据的对抗鲁棒性研究
专知会员服务
20+阅读 · 2022年1月4日
细粒度图像分类的深度学习方法
专知会员服务
41+阅读 · 2021年10月18日
专知会员服务
87+阅读 · 2021年9月4日
专知会员服务
38+阅读 · 2021年6月13日
专知会员服务
60+阅读 · 2021年3月25日
【博士论文】辨识性特征学习及在细粒度分析中的应用
专知会员服务
29+阅读 · 2020年12月10日
专知会员服务
77+阅读 · 2020年12月6日
【速览】IJCV 2022 | 自适应干扰解耦学习的人脸表情识别方法(ADDL)
中国图象图形学学会CSIG
6+阅读 · 2022年2月15日
将对比学习扩展到监督式场景
TensorFlow
1+阅读 · 2021年7月20日
人脸专集5 | 最新的图像质量评价
计算机视觉战队
27+阅读 · 2019年4月13日
【深度】行人检测算法
GAN生成式对抗网络
29+阅读 · 2018年6月3日
图像检索研究进展:浅层、深层特征及特征融合
中国计算机学会
122+阅读 · 2018年3月26日
独家 | 基于深度学习的行人重识别研究综述
AI科技评论
11+阅读 · 2017年12月20日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年4月18日
Max-Margin Contrastive Learning
Arxiv
18+阅读 · 2021年12月21日
Arxiv
11+阅读 · 2021年3月25日
Adversarial Transfer Learning
Arxiv
12+阅读 · 2018年12月6日
小贴士
相关VIP内容
AAAI 2022 | 面向图数据的对抗鲁棒性研究
专知会员服务
20+阅读 · 2022年1月4日
细粒度图像分类的深度学习方法
专知会员服务
41+阅读 · 2021年10月18日
专知会员服务
87+阅读 · 2021年9月4日
专知会员服务
38+阅读 · 2021年6月13日
专知会员服务
60+阅读 · 2021年3月25日
【博士论文】辨识性特征学习及在细粒度分析中的应用
专知会员服务
29+阅读 · 2020年12月10日
专知会员服务
77+阅读 · 2020年12月6日
相关资讯
【速览】IJCV 2022 | 自适应干扰解耦学习的人脸表情识别方法(ADDL)
中国图象图形学学会CSIG
6+阅读 · 2022年2月15日
将对比学习扩展到监督式场景
TensorFlow
1+阅读 · 2021年7月20日
人脸专集5 | 最新的图像质量评价
计算机视觉战队
27+阅读 · 2019年4月13日
【深度】行人检测算法
GAN生成式对抗网络
29+阅读 · 2018年6月3日
图像检索研究进展:浅层、深层特征及特征融合
中国计算机学会
122+阅读 · 2018年3月26日
独家 | 基于深度学习的行人重识别研究综述
AI科技评论
11+阅读 · 2017年12月20日
相关基金
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
相关论文
Arxiv
0+阅读 · 2022年4月18日
Max-Margin Contrastive Learning
Arxiv
18+阅读 · 2021年12月21日
Arxiv
11+阅读 · 2021年3月25日
Adversarial Transfer Learning
Arxiv
12+阅读 · 2018年12月6日
微信扫码咨询专知VIP会员