野生環境下における顔属性の予測は、顔の変動が複雑であるため困難である。本研究では、野生環境下における属性予測のための新たな深層学習フレームワークを提案する。このフレームワークは、属性タグを用いて共同で微調整されるが、事前学習の方法は異なる二つのCNN、LNetとANetを段階的に連結している。LNetは、顔の局所化を目的として、大量の一般物体カテゴリで事前学習されているのに対し、ANetは顔の識別情報の大量データを用いて事前学習されている。このフレームワークは、最先端の手法を大幅に上回る性能を発揮するだけでなく、顔表現の学習に関する貴重な知見も明らかにしている。(1) 顔の局所化（LNet）と属性予測（ANet）の性能が、異なる事前学習戦略によってどのように向上するかを示している。(2) LNetのフィルタは画像レベルの属性タグのみで微調整されているにもかかわらず、画像全体に対する応答マップが顔位置を強く示唆していることが明らかになった。この事実は、顔の局所化を学習する際に、顔のバウンディングボックスやランドマークといった、従来の属性認識手法に必須とされる詳細なアノテーションが不要であることを可能にする。(3) また、ANetの高レベルの隠れニューロンが、大量の顔識別情報による事前学習を経て、自動的に意味的な概念を発見することを示した。さらに、属性タグを用いた微調整により、これらの概念は著しく豊かになる。各属性は、これらの概念のスパースな線形結合によって良好に説明可能である。