《表1 眼周识别的卷积网络结构》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于注意力机制的眼周性别属性识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

基于注意力机制的眼周性别属性识别实现方式是输入图像要先经过CNN提取特征，这样可以得到目标的底层特征信息，但CNN在无监督情况下的特征提取是无差别的，会给人眼特征的抽取带来较多的噪声干扰，网络深度越深，提取到的图像特征就越少，丢失的可用来识别的信息也会减少。设计在第三个单元提取特征后加入监督性的语义分割信息，即支网络提取出来单通道的0和1二值语义通道，预测目标区域的权重值为1，非目标区域的权重值为0，这样可以消除掉大部分噪声。经过修正图像，保证可以过滤掉更多的噪声，最终经过多个全连接层输出属性识别的结果（如图3所示）。乘性注意力机制的实现原理见公式（1):