目前,人脸美丽预测研究面临模型泛化能力欠佳、数据量不足、以及易于过拟合等问题。十字绣网络(Cross-Stitch Network)通过激活多个网络,进行端到端的学习,自动决定共享层,但忽略了图像信息主次问题。因此,本文对十字绣网络进行改进,将...目前,人脸美丽预测研究面临模型泛化能力欠佳、数据量不足、以及易于过拟合等问题。十字绣网络(Cross-Stitch Network)通过激活多个网络,进行端到端的学习,自动决定共享层,但忽略了图像信息主次问题。因此,本文对十字绣网络进行改进,将其部分层网络更换为自注意力(Self-Attention)模块与长短时记忆(Long Short Term Memory,LSTM)模块,从而实现层与层之间、模块与模块之间的参数共享。首先,进行图像预处理,包括统一尺寸、人脸对齐、图像增强、归一化和图像剪裁等;其次,初始化构建的改进十字绣网络,并将层与层之间的共享称之为“微共享”,将模块与模块之间的共享称之为“模块共享”;最后,对训练模型进行测试。实验结果表明,采用改进十字绣网络,人脸美丽预测取得63.95%的准确率,高于常规方法最高准确率;为多任务学习提供了一种新思路。展开更多
文摘目前,人脸美丽预测研究面临模型泛化能力欠佳、数据量不足、以及易于过拟合等问题。十字绣网络(Cross-Stitch Network)通过激活多个网络,进行端到端的学习,自动决定共享层,但忽略了图像信息主次问题。因此,本文对十字绣网络进行改进,将其部分层网络更换为自注意力(Self-Attention)模块与长短时记忆(Long Short Term Memory,LSTM)模块,从而实现层与层之间、模块与模块之间的参数共享。首先,进行图像预处理,包括统一尺寸、人脸对齐、图像增强、归一化和图像剪裁等;其次,初始化构建的改进十字绣网络,并将层与层之间的共享称之为“微共享”,将模块与模块之间的共享称之为“模块共享”;最后,对训练模型进行测试。实验结果表明,采用改进十字绣网络,人脸美丽预测取得63.95%的准确率,高于常规方法最高准确率;为多任务学习提供了一种新思路。
