收藏本站
《五邑大学》 2020年
收藏 | 手机打开
二维码
手机客户端打开本文

基于多任务迁移学习的人脸美丽预测研究

项俐  
【摘要】:人脸美丽预测是研究如何让计算机具有与人类相似的人脸美丽判断或预测能力。目前,人脸美丽预测存在数据样本少、评价指标不明确、训练深度网络容易过拟合等问题。多任务迁移学习(Multi-task Transfer Learning,MTTL)利用源域和相关辅助任务的额外信息,提高主任务性能。本文提出基于多任务迁移学习的人脸美丽预测研究,主要研究内容如下:(1)人脸美丽预测方法多采用单任务学习,忽略了相关任务的影响;多任务学习(Multi-task Learning,MTL)利用相关任务的辅助信息提高主任务性能。因此,本文将人脸美丽预测作为主任务、性别识别作为辅助任务,依托VGG16、VGG19和Resnet50网络,构建了多任务学习人脸美丽预测模型,并对比了不同模型人脸美丽预测结果。实验结果表明,性别识别辅助任务为人脸美丽预测主任务提供了更丰富的浅层特征,多任务学习的人脸美丽预测准确率优于单任务学习。(2)针对人脸美丽预测数据量较小、训练深度网络易过拟合的问题,本文通过构建多任务迁移学习人脸美丽预测模型,结合人脸美丽预测和性别识别,利用在Imagenet上预训练的模型参数实现多任务迁移学习。为保证多任务训练时可正常迁移参数,本文提出一种多输入多任务人脸美丽网络(Multi-input Multi-task Beauty Network,2M BeautyNet),采用多任务损失权重自学习策略调节任务之间的权重,并将随机森林代替Softmax分类器进一步提升性能。基于大规模亚洲人脸美丽数据库(Large Scale Asia Facial Beauty Database,LSAFBD)和SCUT-FBP5500数据库的实验结果表明,该方法在LSAFBD人脸美丽数据库中取得了较好效果,人脸美丽预测的准确率达到68.23%,且所提2M BeautyNet网络适用于不同数据库的多输入情况。(3)知识蒸馏可将教师模型的部分知识蒸馏到学生模型,降低模型复杂性,减少参数量。由于2M BeautyNet网络参数量多,多任务迁移学习人脸美丽预测模型大,本文将多任务迁移学习与知识蒸馏相结合,用于人脸美丽预测。首先,构建多任务教师模型与多任务学生模型,其中,多任务教师模型采用参数量多的2M BeautyNet网络,多任务学生模型采用参数量少的CNN-5、Vgg-11和LightCNN-9浅层网络。其次,训练多任务教师模型并计算其软目标。最后,结合多任务教师模型的软目标和学生模型的软、硬目标进行知识蒸馏。实验结果表明,虽然多任务教师模型在人脸美丽预测任务中取得68.23%的准确率,但其结构较复杂,参数量较多,达14793K;而多任务学生模型通过知识蒸馏后分类准确率虽为67.39%,但其结构更简单、参数量更少,仅1366K。
【学位授予单位】:

知网文化
【相似文献】
中国期刊全文数据库 前14条
1 林云;;基于移动云平台的移动应用节能任务迁移方案[J];信息与电脑(理论版);2019年08期
2 李员宝,张武,杨林峰;GridSolve系统中的任务迁移[J];计算机工程;2005年21期
3 李毅 ;周明天 ;虞厥邦;;PVM任务迁移协议的研究[J];计算机科学;2001年01期
4 史雯隽;武继刚;罗裕春;;针对移动云计算任务迁移的快速高效调度算法[J];计算机科学;2018年04期
5 张继德;袁印;刘亚志;张新英;杨宗帅;;一种面向信息质量的移动群智感知协作方法[J];计算机工程;2017年07期
6 殷佳;管昕洁;白光伟;;基于移动边缘计算的任务迁移和协作式负载均衡机制[J];计算机科学;2019年12期
7 丁文博;许玥;;预训练模型的跨领域跨任务迁移学习[J];科技资讯;2020年02期
8 张志敏;吴军;严明玉;;面向网络的快速容错恢复技术[J];计算机工程与设计;2018年09期
9 孟浩;霍如;郭倩影;黄韬;刘韵洁;;基于机器学习的MEC随机任务迁移算法[J];北京邮电大学学报;2019年02期
10 胡根;自适应任务迁移分布计算研究[J];计算机与现代化;2004年09期
11 薛宁;霍如;刘江;;基于贝叶斯网络的MEC随机任务迁移算法[J];信息通信技术;2018年05期
12 陈斌;东一舟;毛明荣;;基于任务迁移和需求控制的云计算成组调度性能及代价评估[J];物联网技术;2016年05期
13 杨璇;;基于物联网和智能化看应用设计前景和要求[J];广东技术师范学院学报;2011年12期
14 张千;刘昶;;网格环境下一种基于T-RAG图的关联任务迁移算法[J];微电子学与计算机;2010年08期
中国重要会议论文全文数据库 前5条
1 张千;刘昶;;网格环境下一种基于T-RAG图的关联任务迁移算法[A];2010年全国开放式分布与并行计算机学术会议论文集[C];2010年
2 毕波;杨智强;王衡;汪国平;;基于多设备的任务智能迁移系统[A];第六届和谐人机环境联合学术会议(HHME2010)、第19届全国多媒体学术会议(NCMT2010)、第6届全国人机交互学术会议(CHCI2010)、第5届全国普适计算学术会议(PCC2010)论文集[C];2010年
3 徐羽琼;叶志强;潘纲;李石坚;;TaskShadow-W:基于NFC的跨终端Web会话迁移框架[A];第八届和谐人机环境联合学术会议(HHME2012)论文集PCC[C];2012年
4 徐羽琼;谌宗佳;潘纲;李石坚;;TaskShadow-V:基于虚拟化的用户任务跨移动设备透明迁移[A];第七届和谐人机环境联合学术会议(HHME2011)论文集【oral】[C];2011年
5 杨永健;孙永雄;李树秋;张伟;;网格计算中一种负载均衡聚类匹配迁移算法[A];2006年全国开放式分布与并行计算学术会议论文集(二)[C];2006年
中国博士学位论文全文数据库 前6条
1 王俊华;面向异构车联网的实时信息服务与任务迁移技术研究[D];重庆大学;2019年
2 吕昕晨;移动边缘计算任务迁移与资源管理研究[D];北京邮电大学;2019年
3 李毅;基于PVM的研究任务迁移,C++对象分布并行及Capability实现[D];电子科技大学;2001年
4 闫钧华;分布式测控系统任务调度研究[D];南京航空航天大学;2005年
5 张玉萍;片上多处理器通信结构中的多任务调度研究[D];武汉大学;2011年
6 陈锐忠;非对称多核处理器的若干调度问题研究[D];华南理工大学;2013年
中国硕士学位论文全文数据库 前10条
1 项俐;基于多任务迁移学习的人脸美丽预测研究[D];五邑大学;2020年
2 姚丹汇;移动边缘计算中任务迁移分派技术研究[D];上海交通大学;2018年
3 安宜豪;移动边缘计算中面向低功耗的任务迁移问题研究[D];哈尔滨工业大学;2019年
4 戴亚盛;边缘计算可信协同服务机制研究[D];江西理工大学;2019年
5 罗文;异构多核任务迁移和调度算法研究[D];湖南大学;2016年
6 邵立文;移动设备云中基于代码迁移的节能方法研究[D];华中科技大学;2017年
7 蔡政;移动边缘计算中的任务迁移与任务部署[D];浙江大学;2019年
8 石子倩;Cloudlet环境下基于用户能耗优化的任务迁移机制研究[D];华中科技大学;2018年
9 王梓;移动边缘计算中基于移动模型的任务迁移算法与协议研究[D];电子科技大学;2018年
10 孔月;移动边缘计算环境下的任务迁移策略研究[D];西安理工大学;2018年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978