تقدير السمات الوجهية غير المتجانسة: نهج التعلم متعدد المهام العميق

تقدير خصائص الوجه له العديد من التطبيقات المحتملة في مراقبة الفيديو واسترجاع الوجه ووسائل التواصل الاجتماعي. رغم اقتراح العديد من الأساليب لتقدير خصائص الوجه، فإن معظمها لم تأخذ بعين الاعتبار بشكل صريح العلاقة بين الخصائص والاختلافات (مثل الترتيبية مقابل الاسمية والشمولية مقابل المحلية) أثناء تعلم تمثيل الميزات. في هذا البحث، نقدم نهجًا يعتمد على التعلم العميق متعدد المهام (DMTL) لتقدير عدة خصائص مختلفة من صورة وجه واحدة. في DMTL، نعالج العلاقة بين الخصائص والاختلافات باستخدام شبكات العصبونات التلافيفية (CNNs) تتكون من تعلم الميزات المشتركة لجميع الخصائص وتعلم الميزات الخاصة بكل فئة للخصائص المختلفة. كما نقدم قاعدة بيانات غير مقيدة للوجوه (LFW+)، وهي توسيع لقاعدة البيانات العامة LFW، تحتوي على خصائص ديموغرافية متنوعة (العمر والنوع والعرق) تم الحصول عليها عبر الاستعانة بالجمهور. أظهرت النتائج التجريبية على مقاييس الأداء التي تحتوي على عدة خصائص للوجه (MORPH II, LFW+, CelebA, LFWA, وFotW) أن النهج المقترح يتمتع بأداء أفضل مقارنة بأحدث الأساليب. وأخيرًا، أظهرت التقييمات على قاعدة بيانات عامة للوجوه (LAP) تحتوي على خاصية واحدة فقط أن النهج المقترح يتمتع بقدرة تعميم ممتازة.