Not logged in.

Contribution Details

Type Bachelor's Thesis
Scope Discipline-based scholarship
Title Correlation Analysis of Facial Attributes; with Respect to Face Identity
Organization Unit
Authors
  • Raffael Mogicato
Supervisors
  • Manuel Günther
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date July 2021
Abstract Text In recent years, research has made tremendous progress in the classification of facial attributes through convolutional neural networks (CNNs). Such neural networks specialize in extracting various facial attributes from images. In this thesis, we investigate how these attributes correlate with identity and whether such correlations can be used to improve the classification accuracy of extractions from neural networks. We introduce a method for calculating correction terms based on statistical metrics of each attribute of ran identity. These correction terms are then applied to the extractions of neural networks, resulting in reweighted values which possess a lower average error rate than the original extractions. We offer approaches for both unbalanced and balanced CNNs. For the balanced networks, we adapt our correction terms to the domain distribution in order to consider the imbalance of classes. We show that this approach achieves similar results for manually annotated identity labels and identity labels that are inferred from the clustering of features that are extracted with neural networks. Our results show that it is indeed possible to lower the average attribute classification error rates for both neural networks based on the correlation of these attributes with identity.
Zusammenfassung In den letzten Jahren gab es in der Forschung enorme Fortschritte bei der Klassifizierung von Gesichtsattributen durch Convolutional Neural Networks (CNN). Diese künstlichen neuronalen Netze sind darauf spezialisiert, verschiedene Gesichtsattribute aus Bildern zu extrahieren. In der vorliegenden Arbeit wird untersucht, wie solche Attribute mit der Identität korrelieren und wie diese Korrelation benutzt werden kann, um die Klassifizierungsgenauigkeit von Extraktionen neuronaler Netze zu verbessern. In dieser Arbeit wird eine Methode zur Berechnung von Korrekturtermen für jedes Attribut einer Identität vorgestellt. Diese Korrekturterme basieren auf statistischen Kennzahlen der Attribute einer Identität. Die Extraktionen von neuronalen Netzen werden mit diesen Korrekturtermen neu berechnet, was zu neu gewichteten Werten führt, die eine niedrigere durchschnittliche Fehlerrate besitzen als die Extraktionen selbst. In dieser Arbeit werden Ansätze für unausgewogene und ausgewogene neuronale Netze präsentiert. Beim ausgewogen Ansatz werden die Korrekturterme an die Klassenverteilung einzelner Attribute angepasst. Schliesslich wird gezeigt, dass der gewählte Ansatz ähnliche Resultate mit Identitätsinformationen erzielt, die von menschlicher Beschriftung stammen, wie auch mit solchen Identitätsinformationen, die durch eine Clusteranalyse von Extraktionen eines weiteren CNN gewonnen werden.
PDF File Download
Export BibTeX