范欢喜，叶瑶瑶

（上海交通大学电子信息与电气工程学院，上海 200240）

0 引言

近年来，人脸属性识别的研究得到了广泛的关注[1-6]。人脸属性包含丰富的生理特征（如性别、年龄、肤色等）和外在特征（如发型、是否佩戴帽子等），是人脸的高级特征表示。人脸属性不仅可以辅助完成人脸验证、人脸关键点回归，而且具有许多直接的应用，如消费行为预测、人脸检索。例如在安防领域，人脸属性识别系统可以快速检索出具有特定属性的人脸。

人脸属性识别也是一项具有挑战性的任务，因为在实际环境中容易受到人脸姿势和光照等外在条件的影响，而且在某些计算资源受限的情况下，如移动应用中，需要在快速响应的同时保证识别准确率。

当前在人脸属性识别相关的研究上，已经有大量的工作被提出。Liu 等人[1]训练了两个级联的卷积神经网络（CNN）：LNet 和 ANet，其中 LNet 用于人脸定位，ANet 用于从定位到的人脸区域提取特征进行人脸属性的预测。Hand 等人[7]提出了多任务卷积神经网络MTCNN 和辅助网络AUX，其中MTCNN 将所有人脸属性划分成9 大类分开进行预测，AUX 用于挖掘属性之间的相关性。He[8]提出了一种损失函数动态加权算法动态地调整不同属性在总损失函数中所占的比例，解决了每个属性识别的难度不同和收敛速度不同的问题。在这之后，He[9]又提出了双通道卷积神经网络，通过生成对抗网络（GAN）提取人脸不同部位的抽象特征，与原始的人脸图片相互不中完成人脸属性识别。

以上研究虽然解决了人脸属性识别问题，但是模型的计算量大，复杂度高，无法大规模应用在嵌入式和移动应用等计算资源受限的场景。……