Citation
Maricalva Moreno, Miguel
(2017).
Extracción de atributos faciales
mediante redes convolucionales.
Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S. de Ingenieros Informáticos (UPM), Madrid, España.
Abstract
This project focuses on the extraction of facial attributes {namely,
gender, age and some other minor features{ using convolutional neu-
ral networks. We build on previous work [11] that has developed an
eficient, accurate architecture for the task of face recognition and
aim to use this architecture as a feature extractor on which to de-
velop our classification networks. On this basis, our gender classifi-
cation network achieves state of the art results on the CelebA test
set [37].
The next facet of our project aims to check if a multi-label model
could outperform independently trained networks with the same
data by taking advantage of correlations between these attributes
on the training data; for example taking advantage of the gender-
specific age characteristics and age-specific gender characteristics
inherent to facial images. The results, although not managing to
overcome the individually trained models, fall really close behind,
proving at least that this architecture is able to learn to classify
multiple attributes without a mayor loss of accuracy.
---RESUMEN---
Este trabajo se centra en la extracción de atributos faciales {
género y edad entre otros{ mediante redes neuronales convoluciona-
les. Nos basamos en un trabajo previo [11] que desarrolla una red
de gran eficiencia y precisión en la tares de reconocimiento facial
y lo usamos como extractor de características para construir sobre
este nuestros sistemas clasificadores. De esta forma obtenemos una
red de clasificación de género que alcanza el estado del arte en el
conjunto de evaluación de CelebA [37].
La siguiente parte de nuestro proyecto trata de comprobar si
una red multi-etiqueta puede obtener mejores resultados que redes
entrenadas independientemente con los mismos datos aprovechando
la correlación entre estos atributos en los datos de entrenamiento;
por ejemplo la clasificación de género debe tener en cuenta carac-
terísticas que son dependientes de la edad, y viceversa. Aunque los
resultados no han probado esta hipótesis, si se han quedado lo su-
ficientemente cerca como para afirmar que esta red tiene capacidad
como para clasificar múltiples atributos simultáneamente sin sufrir
grandes pérdidas de precisión.