基于深度学习集成的表观年龄估计
提出了一种新的方法,可以通过对不同人的面部图像进行对比学习,准确地估计年龄,并通过结合余弦相似度和三元组边距损失来突出与年龄相关的特征并抑制与身份相关的特征。通过在 FG-NET 和 MORPH-II 两个公共数据集上取得最先进的性能,验证了我们提出的方法的有效性。
Aug, 2023
对于年龄估计任务,设计专门的方法是不必要的,使用交叉熵损失的标准方法已足够。本文旨在通过在统一可比较的环境中评估最先进的年龄估计方法来解决基准测试的缺点。结果表明,与年龄估计方法的选择相比,面部对齐、面部覆盖、图像分辨率、图像表示、模型架构和数据量等各种因素经常产生更大的影响。评估了每种方法在公开可用的年龄估计数据集上的跨数据集性能,结果强调了使用一致的数据预处理方法和建立标准化基准测试的重要性,以确保可靠且有意义的比较。
Jul, 2023
本文提出了一种基于注意力网络和残差卷积网络集成的深度学习框架,可以高精度地预测面部图像的性别和年龄组,并通过可视化模型的注意图证明其能够敏锐地监测到面部适当部位,同时,在多任务学习方面得到了不错的成果。
Oct, 2020
本文提出了一个综合性框架,旨在克服面部年龄估计所涉及的挑战。通过提出一种新的年龄编码方法 Soft-ranking,分析现有的评估协议,并提出一种新的正则化策略以解决深度模型过拟合问题来提高模型在 Morph II,CLAP2015 和 CLAP2016 数据库上的性能。
Jun, 2019
介绍了一种新方法来标注大量的野外人脸图像,将高质量的后验年龄分布作为标签;通过人在循环比较,可以将可靠的注释从一个已知年龄样本的参考数据库转移到另一个标签数据集,并通过全连接和 SoftMax 层有效地将比较转换为后验概率分布,从而训练一种同时执行序数超平面分类和后验分布学习的网络,并达到了基准测试的最新成果。
Aug, 2017
年龄估计技术是人脸识别的一部分,通过对游戏中的用户进行身份验证,实现了青少年防沉迷系统的开发和应用。本文提出了一种新的建模思想,使用图卷积网络(GCN)从非规则人脸图像中有效地提取特征,并添加了多头注意力机制以避免冗余特征并捕获图像中的关键区域信息,从而显著提高了年龄估计的准确性并降低了 MAE 误差值,进而提高了人脸识别和身份验证的准确性。
Oct, 2023
本文提出了一种基于我们的注意力长短期记忆(AL)网络的新方法,结合残差网络(ResNets)或者嵌套残差网络(RoR)模型和 LSTM 单元,以提取面部图像的局部细节特征,从而改善在野外的面部图像的年龄估计准确度,实验结果表明,该方法比所有其他卷积神经网络在野外的年龄估计的表现都更好。
May, 2018
利用视频模型和时空信息,提出 AgeFormer 方法用于年龄分类,有效地应对遮挡、低分辨率和光照等挑战,并通过构建 P-Age 数据集在面部高度遮挡、模糊或掩蔽的情况下,取得比现有基于面部的年龄估计方法更优的结果,同时在 Charades、Smarthome 和 Thumos-14 等多个具有挑战性的视频数据集上进行了跨测试。
Nov, 2023
通过将线性年龄估计器嵌入到基于生成对抗网络的模型中,结合自编码器和解码器一起训练,从而实现面部图像的年龄估计和带有个性化目标年龄嵌入的面部年龄进程 / 回归,通过个性化的残差年龄嵌入和例子面部老化基础,综合估计年龄和生成个性化的老化面部。该方法改进了现有方法中连续面部老化方面的表现,取得了显著的定性和定量成果。
Apr, 2021
该研究提出了两种基于深度可微随机森林方法的年龄估计模型:Deep Label Distribution Learning Forest 和 Deep Regression Forest,通过对分割节点和叶节点进行交替优化学习更好的树形参数估计,取得了三个年龄估计数据集上最优的性能表现。
Jul, 2019