ICCVAug, 2017

深度神经网络在年龄和性别分类中的理解和比较

PDF
TL;DR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。
deep neural networksage recognitiongender recognitionfacial featuresmodel initialization
发现论文，激发创造
  • 本地深度神经网络用于年龄和性别分类

    本文介绍了一种简化的本地深度神经网络方法，通过仅使用 9 个覆盖整个面部区域的重叠图像块，降低了训练时间，同时性能略有降低，试验表明眼部区域有助于性别识别，口部和眼睛区域对年龄识别有用。

    Mar, 2017

  • 基于 CNN 特征的年龄与性别分类的可迁移性如何？

    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

  • 使用注意力卷积网络从人脸图像中预测年龄和性别

    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

  • 从野外面部图像中的年龄和性别分类的混合 Transformer-Sequencer 方法

    该论文旨在通过结合自注意力和双向 LSTM 方法，提出了一个混合模型来解决年龄和性别分类问题，并与现有的先进模型进行对比，结果显示该模型在年龄和性别分类方面分别比先前的模型提高了约 10% 和 6%，表现更好，具有更广泛的学习能力，可应用于各种图像处理和计算机视觉问题中。

    Mar, 2024

  • 深度学习用于人脸识别：自豪还是偏见？

    本文分析了深度学习技术中的 “偏见” 问题，针对人脸识别系统进行了人种和年龄偏差的考察，发现深度神经网络也受到社会内外群体效应的影响，存在自身的人种和年龄偏见，并对这种 “偏见” 问题提出了解决方案。

    Apr, 2019

  • 揭开年龄估计之谜：基于深度学习方法的面部年龄估计的比较分析

    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

  • 深度学习年龄估计中的内容偏差：一种更具解释性的新方法

    该研究探讨了时域图像取证中神经网络对图像内容的依赖性以及两种减轻该影响的技术的有效性。

    Oct, 2023

  • Text2Gender: 分析博客作者年龄和性别的深度学习架构

    本文通过深度学习技术在 NLP 领域中实现对个体写作文本进行性别和年龄预测，主要采用了基于 BERT 的监督分类方法，并基于一个包含 681284 行数据的数据集进行研究和比较，结果表明，该方法能够更有效、精确地对文本数据进行分类，达到了 84.2% 的年龄组预测的拟合精度和 86.32% 的性别预测拟合精度，是一项具有广泛适用性的研究。

    May, 2023

  • 大脑相关任务预训练是否有助于深度学习的脑龄生物标志物的改善？

    本文研究了深度学习模型对于大脑年龄预测的影响，提出了在大脑相关任务上进行预训练以获得最优结果，验证结果表明表现更好的模型并不一定意味着更可靠的生物标志物。

    Jul, 2023

  • 利用类人机制削弱人脸识别卷积神经网络中预训练权重偏差的影响

    卷积神经网络已被广泛应用和研究于不同领域，本研究通过迁移学习将四种经过广泛研究的卷积神经网络 (AlexNet、VGG11、VGG13 和 VGG16) 应用于情感价值分类任务，并将其性能与人类数据进行比较，结果显示这些卷积神经网络在某种程度上表现出类似于人类的表现，在基于神经科学和行为数据的注意力机制下，更新后的 FE-AlexNet 的性能优于其他测试的卷积神经网络，与人类感知紧密相似，从而更深入地揭示了这些卷积神经网络的计算机制。此研究还提供了通过人类数据更好地理解和改进卷积神经网络性能的新范式。

    Oct, 2023