发表时间： 2018年
发表期刊: TPAMI
研究内容： 人脸属性分类
主要思路
1、 人脸属性之间是有相互关系的，比如一个人如果是男性，那很可能会有胡子，但不大可能涂口红，属性胡子 和 属性男性之前是强联系，{胡子、男性} 和 涂口红 是弱联系。根据属性值的类别，可以将属性分为名词性(nominal)属性和序数性(ordinal)属性，比如年龄的值是大于0小于100的整数，是有序的，就属于序数性属性；种族的值有{白人、黑人、黄种人等}，就属于名词性属性。根据属性的覆盖区域，可以将属性分为局部属性和全局属性，比如年龄、性别、种族等需要根据整个人脸图像来判断的，是全局属性；鼻子形状、眼睛大小等属于局部属性。对属性的划分是先验知识，我们可以利用属性的关系和属性的异构性来辅助属性预测。
2、 多任务学习架构，区别于过去的对每种属性设计一种网络单独学习的架构，同时预测所有属性值。
网络框架
CNN特征提前网络基于AlexNet，在每个卷积层后加入了BN。网络前半部分所有属性共享特征，属性共享特征可以学到属性之间的相互关系。在两层全连接层之后，根据先验知识将属性分类，每个属性类别采用单独的两层全连接网络进行fine-tune。对名词性属性类别采用交叉熵损失，对序数性属性类别采用最小平方差损失。论文没有具体列出属性类别的划分。
实验数据集： MORPH II, CelebA , LFWA, ChaLearn LAP，FotW
实验结果：CelebA, LFWA
总结
这篇论文主要考虑了属性的类别，根据属性值划分为名词性和序数性，根据属性的判断区域划分为局部属性和全局属性，用CNN提取所有属性的浅层特征，再对不同类别的属性分别用两层全连接层网络，并设计不同的损失函数。不足之处是图像需要预处理，检测人脸和关键点来矫正人脸区域，额外引入关键点检测错误带来的误差。