An overview of facial attribute learning

Facial attributes are useful for developing applications such as face recognition, search, and

surveillance. They are therefore important for various facial analysis. Many facial attribute learning

algorithms have been developed to automatically detect those key attributes over the years. In this

paper, we have surveyed some typical facial attribute learning methods. Five major categories of the

state-of-the-art methods are identified: (1) Traditional learning, (2) Deep Single Task Learning, (3)

Deep Multitask Learning, (4) Imbalanced Data Solver, and (5) Facial Attribute Ontology. They

included from traditional learning algorithm to deep learning, along with methods that assist in

solving semantic gaps based on ontology and solving data imbalances. For each algorithm of

category, basic theories as well as their strengths, weaknesses, and differences are discussed. We also

compared their performance on the standard datasets. Finally, based on characteristics and

contribution of methods, we present conclusion and future works to solve facial attributes learning.

The survey can help researchers gain a quick overview to build future human face applications as

well as further studies.

An overview of facial attribute learning trang 1

Trang 1

An overview of facial attribute learning trang 2

Trang 2

An overview of facial attribute learning trang 3

Trang 3

An overview of facial attribute learning trang 4

Trang 4

An overview of facial attribute learning trang 5

Trang 5

An overview of facial attribute learning trang 6

Trang 6

An overview of facial attribute learning trang 7

Trang 7

An overview of facial attribute learning trang 8

Trang 8

An overview of facial attribute learning trang 9

Trang 9

An overview of facial attribute learning trang 10

Trang 10

Tải về để xem bản đầy đủ

pdf 20 trang duykhanh 3740
Bạn đang xem 10 trang mẫu của tài liệu "An overview of facial attribute learning", để tải tài liệu gốc về máy hãy click vào nút Download ở trên

Tóm tắt nội dung tài liệu: An overview of facial attribute learning

An overview of facial attribute learning
i.org/10.1109/ICIT.2019.8755180 
Gao, Z., & Wang, S. (2015). Multiple Aesthetic Attribute Assessment by Exploiting Relations 
 Among Aesthetic Attributes, 575-578. 
Gauthier, J. (2014). Conditional generative adversarial nets for convolutional face generation. Class 
 Project for Stanford CS231N: Convolutional Neural Networks for Visual Recognition, Winter 
 Semester 2014. 
Gruber, T. R. (1993). Toward principles for the design of ontologies used for knowledge sharing. 
 International Journal of Human - Computer Studies, 43(5-6), 907-928. 
Günther, M., Rozsa, A., & Boult, T. E. (2017). AFFACT - Alignment Free Facial Attribute 
 Classification Technique. Fg, 90-99. 
Gupta, N., Gupta, A., Joshi, V., Subramaniam, L. V., & Mehta, S. (2017). Deep Attribute Driven 
 Image Similarity Learning Using Limited Data. Proceedings - 2017 IEEE International 
 Symposium on Multimedia, ISM 2017, 2017-Janua, 146-153. 
Han, H., Jain, A. K., Shan, S., & Chen, X. (2017). Heterogeneous Face Attribute Estimation: A Deep 
 Multi-Task Learning Approach. Proc. 12th IEEE Int. Conf. Autom. Face Gesture Recognit., 
 8828(c), 1-14. https://doi.org/10.1109/TPAMI.2017.2738004 
Hand, E. M., Castillo, C., & Chellappa, R. (2018). Doing the best we can with what we have: Multi-
 label balancing with selective learning for attribute prediction. 32nd AAAI Conference on 
 Artificial Intelligence, AAAI 2018, 6878-6885. 
Hand, E. M., & Chellappa, R. (2016). Attributes for Improved Attributes: A Multi-Task Network for 
 Attribute Classification, 8057–8058. Retrieved from  
Haque, M. A., Bautista, R. B., Noroozi, F., Kulkarni, K., Laursen, C. B., Irani, R., Moeslund, T. 
 B. (2018). Deep Multimodal Pain Recognition : A Database and Comparison of Spatio-
 Temporal Visual Modalities. IEEE International Conference on Automatic Face & Gesture 
 Recognition (FG 2018), 250-257. https://doi.org/10.1109/FG.2018.00044 
He, H., & Garcia, E. A. (2009). Learning from imbalanced data. Ieee Transactions On Knowledge 
 And Data Engineering, 21(9), 1263-1284. 
He, K., Fu, Y., & Xue, X. (2017). A Jointly Learned Deep Architecture for Facial Attribute Analysis 
 and Face Detection in the Wild. Retrieved from  
He, K., Wang, Z., Fu, Y., Feng, R., Jiang, Y. G., & Xue, X. (2017). Adaptively weighted multi-task 
 deep network for person atribute classification. 2017 ACM Multimed. Conf., 1636-1644. 
He, Z., Zuo, W., Member, S., Kan, M., Shan, S., Member, S., & Chen, X. (2018). AttGAN : Facial 
 Attribute Editing by Only Changing What You Want, 1-16. 
Hsieh, H.-L., Hsu, W., & Chen, Y.-Y. (2017). Multi-task learning for face identification and attribute 
 estimation. IEEE International Conference on Acoustics, Speech and Signal Processing 
 (ICASSP), 2981-2985. 
Hsieh, H.-L., Hsu, W., & Chen, Y.-Y. (2017). Multi-task learning for face identification and attribute 
 estimation, 1, 2981-2985. 
Huang, C., Li, Y., Loy, C. C., & Tang, X. (2016). Learning Deep Representation for Imbalanced 
 Classification. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 6. 
 588 
 HCMUE Journal of Science Phung Thai Thien Trang et al. 
Huang, C., Li, Y., Loy, C. C., & Tang, X. (2018). Deep Imbalanced Learning for Face Recognition 
 and Attribute Prediction, 1-14. Retrieved from  
Hudelot, C. (2008). Towards a Cognitive Vision Platform for Semantic Image Interpretation; 
 Application to the Recognition of Biological Organisms, 280. 
Hupont, I., & Fernández, C. (2019). DemogPairs: Quantifying the impact of demographic imbalance 
 in deep face recognition. Proc. - 14th IEEE Int. Conf. FG 2019. 
Illendula, A., & Sheth, A. (2019). Multimodal emotion classification. The Web Conference 2019 - 
 Companion of the World Wide Web Conference, WWW 2019, 2, 439-449. 
Jadhav, A., Namboodiri, V. P., & Venkatesh, K. S. (2016). Deep Attributes for One-Shot Face 
 Recognition. ECCV Workshops, (3), 516-523. https://doi.org/10.1007/978-3-319-49409-8_44 
Jiang, J., Wang, C., Liu, X., & Ma, J. (2021). Deep Learning-based Face Super-resolution: A Survey. 
 Retrieved from  
Johnson, J. M., & Khoshgoftaar, T. M. (2019). Survey on deep learning with class imbalance. Journal 
 of Big Data, 6(1). https://doi.org/10.1186/s40537-019-0192-5 
Kahou, S. E., Michalski, V., Konda, K., Memisevic, R., & Pal, C. (2015). Recurrent neural networks 
 for emotion recognition in video. ICMI 2015 - Proceedings of the 2015 ACM International 
 Conference on Multimodal Interaction, 467-474. 
Kalayeh, M. M., Gong, B., & Shah, M. (2017). Improving Facial Attribute Prediction using Semantic 
 Segmentation, 6942-6950. https://doi.org/10.1109/CVPR.2017.450 
Kumar, N., Member, S., Berg, A. C., Belhumeur, P. N., & Nayar, S. K. (2011). Describable Visual 
 Attributes for Face Verification and Image Search, 1-17. 
Lee, M. K., Choi, D. Y., & Song, B. C. (2019). Facial expression recognition via relation-based 
 conditional generative adversarial network. ICMI 2019 - Proceedings of the 2019 
 International Conference on Multimodal Interaction, 35-39. 
LeCun, Y., Bottou, L., Bengio, Y., Haffner, P. (1998). Gradient-Based Learning Applied to 
 Document Recognition. Proceedings of the IEEE, 86, 2278-2324. 
Li, D., Zhang, M., Zhang, L., Chen, W., & Feng, G. (2021). A novel attribute-based generation 
 architecture for facial image editing. Multimedia Tools and Applications, 80(4), 4881-4902. 
Li, H., Sun, J., & Xu, Z. (2017). Multimodal 2D + 3D Facial Expression Recognition with Deep 
 Fusion Convolutional Neural Network, 9210(c), 1-16. 
Li, J., Zhao, F., Feng, J., Roy, S., Yan, S., & Sim, T. (2018). Landmark free face attribute prediction. 
 IEEE Transactions on Image Processing, 27(9), 4651-4662. 
Li, Y., Wang, Q., Nie, L., & Cheng, H. (2017). Face Attributes Recognition via Deep Multi-Task 
 Cascade. Proc. 2017 Int. Conf. Data Mining, Commun. Inf. Technol. - DMCIT ’17, 5-9. 
Liang, X., Xu, L., Liu, J., Liu, Z., Cheng, G., Xu, J., & Liu, L. (2021). Patch attention layer of 
 embedding handcrafted features in CNN for facial expression recognition. Sensors 
Liao, S., Shen, D., & Chung, A. C. S. (2014). A Markov Random Field Groupwise Registration 
 Framework for Face Recognition, 36(4). 
Lin, C.-H., Chen, Y.-Y., Chen, B.-C., Hou, Y.-L., & Hsu, W. (2014). Facial Attribute Space 
 Compression by Latent Human Topic Discovery. Proc. ACM Int. Conf. Multimed. - MM ’14, 
Lin, H. H., Chiang, W. C., Yang, C. T., Cheng, C. T., Zhang, T., & Lo, L. J. (2021). On construction 
 of transfer learning for facial symmetry assessment before and after orthognathic surgery. 
 Computer Methods and Programs in Biomedicine, 200. 
Liu, Y., Wei, F., Shao, J., Sheng, L., Yan, J., & Wang, X. (2018). Exploring Disentangled Feature 
 Representation Beyond Face Identification, 2080-2089. 
Liu, Z., Luo, P., Wang, X., & Tang, X. (2015). Deep learning face attributes in the wild. Proceedings 
 of the IEEE International Conf on Computer Vision, 2015 Inter, 3730-3738. 
Loy, C. C., Luo, P., & Huang, C. (2017). Deep Learning Face Attributes for Detection and 
 Alignment. https://doi.org/10.1007/978-3-319-50077-5 
Ly, N. Q., Do, T. K., & Nguyen, B. X. (2019). Large-scale coarse-to-fine object retrieval ontology 
 589 
 HCMUE Journal of Science Vol. 18, No. 3 (2021): 572-591 
 and deep local multitask learning. Computational Intelligence and Neuroscience, 2019. 
Ly, N. Q., Cao, H. N.M., Nguyen, T. T (2020). Person Re-Identification System at Semantic Level 
 based on Pedestrian Attributes Ontology. International Journal of Advanced Computer 
 Science and Applications (IJACSA), 11(2), 2020. 
Mahbub, U., Sarkar, S., & Chellappa, R. (2018). Segment-based Methods for Facial Attribute 
 Detection from Partial Faces, 1-13. Retrieved from  
Maillot, N. (2005). Ontology Based Object Learning and Recognition. 
Matthews, B. W. (1975). Comparison of the predicted and observed secondary structure of T4 phage 
 lysozyme. BBA - Protein Structure, 405(2), 442-451. 
Mezaris, V., Kompatsiaris, I., & Strintzis, M. G. (2004). An ontology approach to object-based image 
 retrieval, II-511-514. https://doi.org/10.1109/icip.2003.1246729 
Mirjalili, V., Raschka, S., & Ross, A. (2020). PrivacyNet: Semi-Adversarial Networks for Multi-
 attribute Face Privacy, 1-3. Retrieved from  
Nguyen, H. M., Ly, N. Q., & Phung, T. T. T. (2018). Large-Scale Face Image Retrieval System at 
 attribute level based on Facial Attribute Ontology and Deep Neuron Network. 
Penghui, S., Hao, L., Xin, W., Zhenhua, Y., & Wu, S. (2019). Similarity-aware deep adversarial 
 learning for facial age estimation. Proc. - IEEE Int. Conf. Multimed. Expo, 2019-July. 
Pini, S., Ahmed, O. Ben, Cornia, M., Baraldi, L., Cucchiara, R., & Huet, B. (2017). Modeling 
 Multimodal Cues in a Deep Learning-based Framework for Emotion Recognition in the Wild. 
 Proceedings of the 19th ACM International Conference on Multimodal Interaction. 
Rudd, E. M., Günther, M., & Boult, T. E. (2016). MOON: A mixed objective optimization network 
 for the recognition of facial attributes. Lecture Notes in Computer Science (Including 
 Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 9909 
Ruder, S. (2017). An Overview of Multi-Task Learning in Deep Neural Networks, (May). Retrieved 
 from  
Sun, Y., & Yu, J. (2018). General-to-specific learning for facial attribute classification in the wild. 
 J. Vis. Commun. Image Represent., 56, 83-91. https://doi.org/10.1016/j.jvcir.2018.09.003 
Sundararajan, K., & Woodard, D. L. (2018). Deep learning for biometrics: A survey. ACM 
 Computing Surveys, 51(3). https://doi.org/10.1145/3190618 
Taherkhani, F., Nasrabadi, N. M., & Dawson, J. (2018). A Deep Face Identification Network 
 Enhanced by Facial Attributes Prediction, 666-673. 
Tian, Q., Arbel, T., & Clark, J. J. (2017). Deep LDA-Pruned Nets for Efficient Facial Gender 
 Classification. https://doi.org/10.1109/CVPRW.2017.78 
Tzirakis, P., Trigeorgis, G., Nicolaou, M. A., Schuller, B., & Zafeiriou, S. (2016). End-to-End 
 Multimodal Emotion Recognition using Deep Neural Networks, 14(8), 1-9. 
Wan, L., Wan, J., Jin, Y., Tan, Z., & Li, S. Z. (2018). Fine-grained multi-attribute adversarial learning 
 for face generation of age, gender and ethnicity. Proceedings - 2018 International Conference 
 on Biometrics, ICB 2018, 98-103. https://doi.org/10.1109/ICB2018.2018.00025 
Wang, J., Cheng, Y., & Feris, R. S. (2016). Walk and Learn: Facial Attribute Representation 
 Learning from Egocentric Video and Contextual Data. 
Wang, P., Su, F., & Zhao, Z. (2017). Joint Multi-Feature Fusion and Attribute Relationships for 
 Facial Attribute Prediction, 3-6. 
Wang, P., Su, F., Zhao, Z., Guo, Y., Zhao, Y., & Zhuang, B. (2019). Deep class-skewed learning for 
 face recognition. Neurocomputing, 363, 35-45. 
Wang, S., Yin, S., Hao, L., & Liang, G. (2021). Multi-task face analyses through adversarial learning. 
 Pattern Recognition, 114, 107837. https://doi.org/10.1016/j.patcog.2021.107837 
Wang, Y., Gan, W., Yang, J., Wu, W., & Yan, J. (2019). Dynamic Curriculum Learning for 
 Imbalanced Data Classification, (2), 5017-5026.  
Wang, Z., He, K., & Fu, Y. (2017). Multi-task Deep Neural Network for Joint Face Recognition and 
 Facial Attribute Prediction. ICMR’17, 365-374. 
 590 
 HCMUE Journal of Science Phung Thai Thien Trang et al. 
Wiles, O., Sophia Koepke, A., & Zisserman, A. (2019). Self-supervised learning of a facial attribute 
 embedding from video. British Machine Vision Conference 2018, BMVC 2018. 
Xiao, T., Tsai, Y.-H., Sohn, K., Chandraker, M., & Yang, M.-H. (2019). Adversarial Learning of 
 Privacy-Preserving and Task-Oriented Representations.  
Xiaohua, W., Muzi, P., Lijuan, P., Min, H., Chunhua, J., & Fuji, R. (2019). Two-level attention with 
 two-stage multi-task learning for facial emotion recognition. J. Vis. Commun. Image 
 Represent., 62, 217-225. https://doi.org/10.1016/j.jvcir.2019.05.009 
Xu, M., Chen, F., Li, L., Shen, C., Lv, P., Zhou, B., & Ji, R. (2018). Bio-Inspired Deep Attribute 
 Learning Towards Facial Aesthetic Prediction. IEEE Transactions on Affective Computing. 
Yang, H., Huang, D., Wang, Y., & Jain, A. K. (2018). Learning Face Age Progression : A Pyramid 
 Architecture of GANs. CVPR, 31-39. 
Zhang, N., Paluri, M., Ranzato, M. A., Darrell, T., Bourdev, L., & Berkeley, U. C. (2014). PANDA : 
 Pose Aligned Networks for Deep Attribute Modeling. 
Zhang, Y., & Yang, Q. (2018). A Survey on Multi-Task Learning, 1-20. 
Zhang, Z., Song, Y., & Qi, H. (2017). Age Progression / Regression by Conditional Adversarial 
 Autoencoder, 5810-5818. 
Zheng, X., Guo, Y., Huang, H., Li, Y., & He, R. (2018). A Survey to Deep Facial Attribute Analysis. 
 Retrieved from  
Zhong, Y., Sullivan, J., & Li, H. (2016). Leveraging mid-level deep representations for predicting 
 face attributes in the wild. Proceedings - ICIP, 2016-Augus, 3239-3243. 
 TỔNG QUAN VỀ PHƯƠNG PHÁP HỌC THUỘC TÍNH MẶT NGƯỜI 
 Phùng Thái Thiên Trang1,2*, Fukuzawa Masayuki3, Lý Quốc Ngọc1,2 
 1Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Thành phố Hồ Chí Minh, Việt Nam 
 2Trường Đại học Sài Gòn, Việt Nam 
 3Học viện Kỹ thuật Kyoto, Nhật Bản 
 *Tác giả liên hệ: Phùng Thái Thiên Trang – Email: trangphung@sgu.edu.vn 
 Ngày nhận bài: 03-11-2020; ngày nhận bài sửa: 26-3-2021; ngày duyệt đăng: 30-03-2021 
TÓM TẮT 
 Thuộc tính mặt người là thông tin hữu ích cho việc xây dựng các ứng dụng như nhận dạng, 
tìm kiếm và giám sát khuôn mặt người. Do đó, chúng rất quan trọng đối với các nhiệm vụ phân tích 
khuôn mặt khác nhau. Nhiều thuật toán học thuộc tính khuôn mặt người đã và đang được phát triển 
để tự động phát hiện các thuộc tính trong nhiều năm qua. Trong bài báo này, chúng tôi khảo sát một 
số phương pháp điển hình về học thuộc tính khuôn mặt người. Chúng tôi chia ra năm loại chính của 
các phương pháp: (1) Học truyền thống, (2) Học sâu đơn nhiệm, (3) Học sâu đa nhiệm, (4) Giải 
quyết vấn đề mất cân bằng dữ liệu và (5) Thuộc tính khuôn mặt dựa vào phả hệ tri thức. Các phương 
pháp bao gồm từ học truyền thống đến học sâu, cùng với các phương pháp hỗ trợ giải quyết bài toán 
lỗ hổng ngữ nghĩa dựa trên phả hệ tri thức và giải quyết sự mất cân bằng dữ liệu. Đối với mỗi phương 
pháp trong mỗi loại, chúng tôi thảo luận về các lí thuyết cơ bản cũng như điểm mạnh, điểm yếu và 
sự khác biệt của chúng. Chúng tôi cũng so sánh hiệu suất của chúng trên bộ dữ liệu tiêu chuẩn. Cuối 
cùng, dựa trên đặc điểm và đóng góp của các phương pháp, chúng tôi đưa ra kết luận và hướng 
nghiên cứu trong tương lai để giải quyết vấn đề học thuộc tính khuôn mặt. bài khảo sát này sẽ giúp 
các nhà nghiên cứu có góc nhìn tổng quan nhanh để xây dựng các ứng dụng khuôn mặt người trong 
tương lai cũng như các nghiên cứu mới. 
 Từ khóa: học sâu; học thuộc tính mặt người; học đa nhiệm; sự mất cân bằng dữ liệu; phả hệ tri thức 
 591 

File đính kèm:

  • pdfan_overview_of_facial_attribute_learning.pdf