Attribute sind semantisch bedeutungsvolle Merkmale, deren Anwendbarkeit weit über Kategoriegrenzen hinweg reicht. Sie sind insbesondere bei der Beschreibung und Erkennung von Konzepten von großer Bedeutung, bei denen keine expliziten Trainingsbeispiele vorliegen, beispielsweise im Rahmen von Zero-Shot-Learning. Darüber hinaus können Attribute aufgrund ihrer menschlichen Beschreibbarkeit effizient für die Interaktion zwischen Mensch und Computer genutzt werden. In diesem Artikel schlagen wir vor, die semantische Segmentierung zur Verbesserung der Vorhersage von Gesichtsmerkmalen einzusetzen. Der zentrale Gedanke beruht darauf, dass viele Gesichtsmerkmale lokale Eigenschaften beschreiben. Mit anderen Worten: Die Wahrscheinlichkeit, dass ein Merkmal in einem Gesichtsbild auftritt, ist im räumlichen Bereich keinesfalls gleichverteilt. Wir entwickeln unser Modell zur Vorhersage von Gesichtsmerkmalen gemeinsam mit einem tiefen semantischen Segmentierungsnetzwerk. Dadurch nutzen wir die Lokalisationsinformationen, die das semantische Segmentierungsnetzwerk erlernt hat, um die Aufmerksamkeit der Merkmalsvorhersage auf jene Regionen zu lenken, in denen sich verschiedene Merkmale naturgemäß manifestieren. Als Ergebnis dieser Vorgehensweise können wir neben der Erkennung auch die räumliche Lokalisierung der Merkmale vorhersagen – trotz der ausschließlichen Verfügbarkeit von Bild-Level-Labels (schwache Aufsicht) während des Trainings. Wir evaluieren unsere Methode an den Datensätzen CelebA und LFWA und erzielen Ergebnisse, die die bisherigen Ansätze übertrumpfen. Zudem zeigen wir, dass sich im umgekehrten Problem die Leistung der semantischen Gesichtsparsing verbessert, wenn Gesichtsmerkmale zur Verfügung stehen. Dies unterstreicht erneut die Notwendigkeit, diese beiden miteinander verbundenen Aufgaben gemeinsam zu modellieren.