预测地标的面部图像中的属性本身就是一个具有挑战性的任务，当由于使用面具而被遮挡时，进一步复杂。利用身份验证或安全登录到个人电子小工具的智能访问控制门可以使用面部作为生物特征。特别是，Covid-19大流行越来越多地验证卫生和非接触式身份验证的基础。在这种情况下，掩模的使用变得更加不可避免并且表演属性预测有助于在协作环境中对社区传播或确保他们的社会疏散来分离目标脆弱的群体。我们通过有效地覆盖不同形状，尺寸和纹理的掩模来创建一个蒙面的面部数据集，以有效地模拟戴掩模产生的变异性。本文提出了深度多任务学习（MTL）方法，共同估计来自单个掩蔽的面部图像的各种异构属性。基准面部属性UTKface数据集的实验结果表明，所提出的方法在绩效中取代其他竞争技术。
translated by 谷歌翻译