[发明专利]一种基于双重标签分布的轻量化人脸美学预测方法

权利要求书

1.一种基于双重标签分布的轻量化人脸美学预测方法，其特征在于，包括以下步骤：

获取人脸图片，对每张人脸图片进行预处理，将预处理后的人脸图片划分为训练集和测试集；

对训练集中的每张人脸图片构建每张人脸图片对应的双重标签分布；所述双重标签分布包括吸引力分布和评分分布；

将训练集中的人脸图片和训练集中人脸图片所对应的吸引力分布输入至轻量化卷积神经网络中，通过联合学习模块进行优化训练，得到优化后的人脸美学预测网络模型；其中，所述联合学习模块包括吸引力分布学习模块、评分分布学习模块以及美丽分数回归学习模块；

将训练集中的人脸图片所对应的吸引力分布输入至所述吸引力分布学习模块，输出预估吸引力分布；通过训练集中人脸图片所对应的吸引力分布与输出的预估吸引力分布，得到吸引力分布损失函数；

将所述预估吸引力分布输入至所述评分分布学习模块，输出预估评分分布，通过训练集中人脸图片所对应的评分分布和预估评分分布，得到评分分布损失函数；

将训练集中的人脸图片所对应的预估吸引力分布输入至美丽分数回归学习模块，输出预测的美丽分数，通过训练集中人脸图片所对应的真实美丽分数与预测的美丽分数，得到美丽分数回归损失函数；

根据所述吸引力分布损失函数、评分分布损失函数和美丽分数回归损失函数构建联合损失函数；通过最小化联合损失函数，得到优化后的人脸美学预测网络模型；

将测试集中需要预测的人脸图片输入至优化后的人脸美学预测网络模型中，输出预测的吸引力分布，根据预测的吸引力分布得到预测的人脸图片的美丽分数。

2.根据权利要求1所述的一种基于双重标签分布的轻量化人脸美学预测方法，其特征在于，获取人脸图片，对每张人脸图片进行预处理，包括：

先将获取的人脸图片缩放为256×256，然后再中心裁切至224×224，对人脸图片进行RGB通道的归一化，即得预处理后的人脸图片。

3.根据权利要求1所述的一种基于双重标签分布的轻量化人脸美学预测方法，其特征在于，将训练集中的人脸图片和训练集中人脸图片所对应的吸引力分布输入至轻量化卷积神经网络之前，人脸图片还进行了概率为0.5的随机水平反转的数据增广。

4.根据权利要求1所述的一种基于双重标签分布的轻量化人脸美学预测方法，其特征在于，所述吸引力分布为每张人脸图片的真实美丽分数在其对应分数区间上的概率值，用向量p表示，p的第j个元素由下式得到

s_k＝y_min+k·Δl

p_j＝F(s_j+1|μ,b)-F(s_j|μ,b)

其中，p_j代表人脸图片的真实美丽分数在区间[s_j,s_j+1]上的概率，s_k∈[y_min,y_max],y_min和y_max分别为图片评分等级的最小值和最大值；Δl为区间长度，s_k与s_j的含义相同，均为区间端点，F(x|μ,b)为拉普拉斯分布的概率分布函数，x为函数的自变量，μ和b分别为拉普拉斯分布的位置参数和尺度参数；人脸图片的均值和标准差分别记作y和σ，则拉普拉斯分布的参数设置为μ＝y和

5.根据权利要求1所述的一种基于双重标签分布的轻量化人脸美学预测方法，其特征在于，所述评分分布为每张人脸图片获得不同评分等级的频数，使用向量r表示；并对向量r进行L₁归一化操作，使∑_mr_m＝1，其中：m为向量r元素的下标，表示相应的评分等级。

6.根据权利要求1所述的一种基于双重标签分布的轻量化人脸美学预测方法，其特征在于，所述吸引力分布损失函数L_ad表示为：

其中，n表示训练集样本的数量，p⁽ⁱ⁾和分别为训练集样本中第i个样本的吸引力分布和预估吸引力分布。