人脸素描属性识别：深度学习模型探索与性能评估

人脸素描属性识别：深度学习模型探索与性能评估

github代码：https://github.com/linkcao/FS2K_extract
FS2K数据集：https://github.com/DengPingFan/FS2K

项目概述

​
本项目需要根据FS2K数据集进行训练和测试，实现输入一张人脸图片（真实图片或者素描图片），输入该图片的属性特征信息，提取属性特征包括hair（有无头发）、hair_color(头发颜色)、gender（图像人物性别）、earring（是否有耳环）、smile（是否微笑）、frontal_face(是否歪脖)、style（图片风格），详细信息均可通过FS2K的anno_train.json和anno_test.json获取，本质是一个多标签分类问题。

• 本文探索了三种深度学习模型：VGG16、ResNet18和DenseNet121在该任务下的性能表现。
• 实验数据集FS2K数据集与实验结果均可在所给github仓库中获取，其中photo代表原图，Sketch代表素描图，数据集如下图所示：
  

处理方案

​ 首先对于FS2K数据集用官方的数据划分程序进行划分，之后对划分后的数据进行预处理，统一图片后缀为jpg，之后自定义数据加载类，在数据加载过程中进行标签编码，对图片大小进行统一，并转成tensor，在处理过程中发现存在4个通道的图片，本文采取取前3个通道的方案，之后再对图像进行标准化，可以加快模型的收敛，处理完成的数据作为模型的输入，在深度学习模型方面，首先需要进行模型选择，本文使用了三个模型，分别为VGG16,ResNet121以及DenseNet121，在通过pytorch预训练模型进行加载，并修改模型输出层，输出数量为图片属性特征数，之后在设定模型训练的参数，包括Batch，学习率，epoch等，在每一轮训练完成后，都需要对预测出的特征进行处理，在二分类标签设定概率阈值，多分类标签特征列则进行最大概率类别组合，取预测概率最大的类别作为当前属性的预测结果，每一轮训练都在测试集上进行性能评估，并根据F1指标择优保存模型。训练完成后，在测试集上预测属性提取结果，对每一个属性进行性能评估，最后取平均，得到平均的性能指标。

整体的处理流程如下图所示：

数据预处理

1. 数据划分： 根据FS2K官方给出的数据划分得到训练集和测试集
2. 图片统一后缀和通道数： 统一图片后缀为jpg，通道数为3
3. 统一图片大小：所给数据集分为三个文件夹，每个文件夹图片的像素各不相同，分别为250*250、475 *340、223 *318，这里统一变换成256 * 256，便于后序处理
4. 转换为Tensor： 我们将图片数据转换为PyTorch的Tensor格式
5. 图像标准化：逐channel的对图像进行标准化，可以加快模型的收敛

标签编码

1. 二分类标签编码： 对于二分类属性（如hair、earring等），我们将标签编码为0和1
2. 多分类标签编码： 对于多分类属性（如hair_color、style等），我们采用One-Hot编码进行处理，以便模型能够正确识别多个类别，例如：
   • hair_color中0 对应 [1,0,0,0,0], 1对应[0,1,0,0,0], 2对应[0,0,1,0,0],以此类推，共5类
   • style中 0 对应 [1,0,0]，1对应[0,1,0], 2对应[0,0,1],以此类推,共3类
3. 标签向量拼接： 将所有属性标签拼接成一个长度为13的标签向量，方便模型训练和预测。

实验模型

1. 模型选择： 我们选择了VGG16、ResNet121和DenseNet121三种预训练模型作为候选模型
2. 模型加载和修改： 使用PyTorch加载预训练模型，并根据任务需求修改输出层，使其输出属性特征数
3. 训练参数设置： 设定训练参数，包括Batch大小、学习率、epoch等
4. 性能评估： 每轮训练后，在测试集上进行性能评估，并根据F1指标选择最佳模型进行保存

VGG16

模型结构参数

​ 由于VGG16最后一层全连接输出1000维特征，因此在本题中需要在加一层全连接输入1000维特征，输出13维特征，最后再加上一层sigmoid激活函数，在得到每一类预测的概率后，针对编码过的hair_color、style的8列，对各自的编码后的对应列计算概率最大的列下标，作为该属性的预测值。

训练参数

batch	64
epoch	20
optimizer (优化器)	SGD(随机梯度下降)
criterion (损失函数)	BCELoss(二分类交叉熵损失)
学习率	0.01

photo数据集上模型训练Loss

VGG16 实验结果 「方法一」

	f1	precision	recall	accuracy
hair	0.926064	0.903045	0.950287	0.950287
gender	0.598046	0.611282	0.59369	0.59369
earring	0.74061	0.674408	0.821224	0.821224
smile	0.513038	0.580621	0.639579	0.639579
frontal_face	0.758024	0.694976	0.833652	0.833652
hair_color	0.351596	0.387132	0.389101	0.389101
style	0.460469	0.526145	0.443595	0.443595
average	0.668481	0.672201	0.708891	0.708891

结果分析

• 在hair、frontal_face和earring属性上取得了较高的性能，分别达到了95.03%、83.37%和82.12%的准确率。
• 对于gender和smile属性，性能较差，分别只达到了59.37%和63.96%的准确率。
• 在hair_color和style属性上的性能也较为一般，分别只达到了38.91%和44.36%的准确率。
• 平均性能指标为约66.85%，整体表现中等。

ResNet18

模型结构参数

模型修改 ，模型最后加一层全连接输入1000维特征，输出13维特征，最后再加上一层sigmoid激活函数

训练参数

batch	64
epoch	20
optimizer (优化器)	SGD(随机梯度下降)
criterion (损失函数)	BCELoss(二分类交叉熵损失)
学习率	0.01

photo数据集上模型训练Loss

ResNet18 photo数据集结果 「方法二」

	f1	precision	recall	accuracy
hair	0.926064	0.903045	0.950287	0.950287
gender	0.657874	0.657195	0.6587	0.6587
earring	0.744185	0.764809	0.821224	0.821224
smile	0.634135	0.63298	0.652008	0.652008
frontal_face	0.758024	0.694976	0.833652	0.833652
hair_color	0.498804	0.515916	0.546845	0.546845
style	0.508202	0.57917	0.482792	0.482792
average	0.715911	0.718511	0.743188	0.743188

结果分析：

• 相较于VGG16，在gender和smile属性上取得了更好的性能，分别达到了65.87%和65.20%的准确率。
• 在hair、earring和frontal_face属性上性能相近，分别达到了95.03%、82.12%和83.37%的准确率。
• 对于hair_color和style属性，性能仍然较差，分别只达到了54.68%和48.28%的准确率。
• 平均性能指标为约71.59%，略优于VGG16模型。

Sketch数据集上模型训练Loss

sketch数据集结果 「方法三」

	f1	precision	recall	accuracy
hair	0.926064	0.903045	0.950287	0.950287
gender	0.811982	0.813721	0.814532	0.814532
earring	0.743495	0.720011	0.813576	0.813576
smile	0.573169	0.573085	0.614723	0.614723
frontal_face	0.758024	0.694976	0.833652	0.833652
hair_color	0.358576	0.339481	0.419694	0.419694
style	0.842575	0.942995	0.803059	0.803059
average	0.751736	0.748414	0.78119	0.78119

DenseNet121

模型结构参数

训练参数

batch	64
epoch	20
optimizer (优化器)	SGD(随机梯度下降)
criterion (损失函数)	BCELoss(二分类交叉熵损失)
学习率	0.01

photo数据集上模型训练Loss

DenseNet photo数据集结果 「方法四」

	f1	precision	recall	accuracy
hair	0.926064	0.903045	0.950287	0.950287
gender	0.935669	0.936043	0.935946	0.935946
earring	0.837358	0.837194	0.853728	0.853728
smile	0.784984	0.787445	0.790631	0.790631
frontal_face	0.780436	0.832682	0.8413	0.8413
hair_color	0.685242	0.665904	0.718929	0.718929
style	0.515421	0.567896	0.497132	0.497132
avg	0.808147	0.816276	0.823494	0.823494

结果分析：

• 在gender和smile属性上取得了最佳性能，分别达到了93.57%和78.50%的准确率。
• 对于其他属性的性能也较为优秀，在hair、earring和frontal_face属性上达到了92.60%、83.73%和78.04%的准确率。
• 在hair_color属性上的性能相对较差，但仍然达到了68.52%的准确率。
• 在style属性上取得了最低的性能，仅为51.54%的准确率。
• 平均性能指标为约80.81%，在三个模型中表现最佳。

Sketch数据集上模型训练Loss

DenseNet sketch数据集结果 「方法五」

	f1	precision	recall	accuracy
hair	0.926064	0.903045	0.950287	0.950287
gender	0.883773	0.886639	0.885277	0.885277
earring	0.743196	0.734733	0.819312	0.819312
smile	0.610952	0.661847	0.671128	0.671128
frontal_face	0.758024	0.694976	0.833652	0.833652
hair_color	0.372596	0.360252	0.423518	0.423518
style	0.944535	0.96071	0.938815	0.938815
avg	0.779892	0.775275	0.815249	0.815249

整体结果对比

FS2K Photo数据集下各模型F1值：

FS2K Sketch数据集下各模型F1值：

1. VGG16 vs. ResNet18 vs. DenseNet121：
   • 在对比三种不同的预训练模型在相同数据集上的性能时，可以观察到 DenseNet121 在大多数属性上取得了最佳性能，其次是 ResNet18，最后是 VGG16。这表明了在相同的任务上，更深层次的模型结构往往能够更好地提取图像特征，从而提高模型的性能。
2. 属性性能差异：
   • 在所有模型中，对于一些属性如 hair、frontal_face 和 earring，模型性能普遍较好，这可能是因为这些属性在图像中具有明显的特征，容易被模型学习和识别。相比之下，像 gender 和 smile 这样的属性可能更为主观和抽象，因此模型的性能相对较低。
   • 特别是在 hair_color 和 style 属性上，模型性能普遍较差，这可能是因为这些属性的识别更为复杂，受到光照、姿势、背景等因素的影响较大。
3. 平均性能指标对比：
   • 在三种模型中，DenseNet121 在平均性能指标上取得了最佳表现，这意味着它在多个属性的识别上具有更稳定和优秀的性能。ResNet18 次之，VGG16 表现最差。