Extracción de atributos faciales mediante redes convolucionales

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.