本地深度神经网络用于年龄和性别分类
本研究使用四种不同的神经网络模型,并研究了不同的人脸对齐方法对模型的影响。研究证明,适当的参数初始化和简单的预处理步骤可以提高性别识别的表现。
Aug, 2017
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
通过使用深度卷积神经网络模型,对于人脸图像中的年龄和性别的识别,使用特征相似的 VGG-Face 模型提高了 7% 和 4.5% 的准确性,同时比使用特定任务的 GilNet 模型表现更佳。
Oct, 2016
本文提出了一种利用深度学习方法在人脸图像中进行性别识别的方法,并在性别注释的 Adience 和 LFW 数据集上进行了 fine-tuning,最终在 Adience 和 LFW 上的分类精度分别达到了 90.8% 和 95.3%,并能够在 GPU 上以每秒 7-10 帧的速度运行。
Mar, 2018
本文提出了一种基于 CNN 和度量学习的两阶段方法,以实现面部验证和识别。实验表明,该方法优于其他最先进的方法,获得 99.77% 的成对验证准确度,并在其他两个更实用的协议下获得更好的准确度。本文也讨论了数据大小和补丁数量的重要性,展示了通往实际高性能面部识别系统的明确途径。
Jun, 2015
提出了一种结合全局和局部信息的生成对抗网络 (GLCA-GAN) 方法,使用三个局部网络来处理关键局部面部区域的细微变化。在生成器中,使用全局网络生成整个人脸图像及模拟人脸的老化趋势,从而利用整个及各个局部面部信息来合成年龄,同时使用多种损失函数以保证生成的真实性和准确性。
Jan, 2018
本研究通过深度卷积神经网络方法和基于几何和外观特征的方法对耳部图像进行建模,以进行性别和年龄分类。我们利用了几何特征和外观方法的混合模型,其中一些知名的卷积神经网络模型包括 AlexNet、VGG-16、GoogLeNet 和 SqueezeNet。实验结果表明,采用外观的方法比基于几何的方法更有效,并且我们在性别分类中达到了 94%的精度,而在年龄分类中只达到了 52%的精度。
Jun, 2018
本研究探讨轻量级卷积神经网络的多任务学习,用于识别人脸和分类面部属性(年龄,性别,种族),并在没有距离边缘的剪裁人脸上进行训练,需要微调这些网络以预测面部表情;使用 MobileNet、EfficientNet 和 RexNet 架构提出了几种模型,并在 UTKFace 数据集上证明了它们接近最新的年龄、性别和种族识别结果,在 AffectNet 数据集的情感分类上也表现出色;此外,展示了将已训练的模型用作视频帧中面部区域的特征提取器,其识别精度比以前已知的情感分类挑战的单一模型高 4.5%。
Mar, 2021
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