人脸属性分类任务指对于输入的人脸图片和给定属性,进行分类预测的任务。人脸属性分类旨在为人脸提供详细的描述。人脸属性分类任务一般有以下两个难点。首先,如果将每一个属性的分类视为一个分类任务。那么,人脸属性分类是由多个分类任务组成,即是一个多任务学习问题。因此,除了每个任务本身的信息,在学习任务之间(属性或者属性组)会存在一定的关联性。如何学习到多个任务之间的关联,从而提高整体的分类准确率是人脸属性分类的难点和关键点。其次,同一个人的人脸属性标签具有很高的相似度。例如,同一个人的性别属性不会改变,且其脸型等属性在不同图片中也比较一致。这意味着,人脸属性在特征空间应该存在着相同身份样本靠近而不同身份样本远离的局部几何结构。利用身份信息挖掘这种几何结构可以构建更加完善的人脸属性关系,学习更加有分类区分度的人脸属性特征。根据上述分析,本文工作取得了如下的研究结果:一,本文提出了局部共享模块(Partially-SharedBlock),并基于这个模块提出了局部共享多任务学习卷积神经网络(Partially-Shared Multi-task Convolutional Neural Network)。对于人脸属性分类任务,我们构建了 4个任务专一网络(Task-Specific Networks)和1个任务共享网络(Shared Network)。本文提出的局部共享模块,将4任务专一网络在每一层分别与任务共享网络连接,从而构建出一个局部共享多任务学习卷积神经网络。此网络通过一个共享网络,促进了多任务之间的信息传递,从而有效学习到了它们之间的关联性。二,基于同一身份的属性相似性,本文提出了属性的身份连贯性概念,并基于此提出一个局部约束损失函数(LocalConstraintLoss)。该损失函数利用了身份信号的特性,将同身份的样本归为特征空间的局部近邻。通过拉近局部近邻在特征空间的距离,网络学习到了特征空间的局部几何结构。从而,网络可以构建更加完善的属性关系,输出更加有区分度的人脸属性特征。三,将局部共享多任务学习卷积神经网络与局部约束损失函数结合,本文在公开人脸数据集上取得了超过state-of-the-art方法的实验结果。