이질적인 얼굴 속성 추정: 깊은 다중 작업 학습 접근법

얼굴 속성 추정은 비디오 감시, 얼굴 검색 및 소셜 미디어 등 다양한 잠재적 응용 분야를 가지고 있습니다. 그러나 지금까지 제안된 많은 방법들이 특징 표현 학습 과정에서 속성 간의 상관 관계와 이질성을 (예: 서열형 vs. 명목형, 전반적 vs. 국소적) 명시적으로 고려하지 않았습니다. 본 논문에서는 단일 얼굴 이미지에서 여러 가지 이질적인 속성을 동시에 추정하기 위한 깊은 다중 작업 학습(Deep Multi-Task Learning, DMTL) 접근법을 제시합니다. DMTL에서는 모든 속성을 위한 공유된 특징 학습과 이질적인 속성을 위한 범주별 특징 학습을 통해 속성 간의 상관 관계와 이질성을 처리합니다. 또한, 공공 도메인 LFW를 확장한 무제약 얼굴 데이터베이스(LFW+)를 소개하며, 크라우드소싱을 통해 얻은 연령, 성별, 인종 등의 이질적인 인구 통계학적 속성을 포함하고 있습니다. MORPH II, LFW+, CelebA, LFWA 및 FotW와 같은 다중 얼굴 속성이 있는 벤치마크에서 수행한 실험 결과는 제안된 접근법이 기존 최신 연구보다 우수한 성능을 보임을 확인하였습니다. 마지막으로, 단일 속성이 있는 공공 도메인 얼굴 데이터베이스(LAP)에서의 평가 결과는 제안된 접근법이 뛰어난 일반화 능력을 가짐을 보여주었습니다.