Jun, 2018

耳部图像的年龄和性别分类

PDF
TL;DR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。
发现论文，激发创造
  • 基于深度耳部生物特征的性别分类

    基于生物特征的人类性别分类是计算机视觉领域的一个重要问题，本研究使用深度卷积神经网络模型对耳部图像进行自动性别分类，通过在 EarVN1.0 耳朵数据集上进行评估，准确率达到 93%。

    Aug, 2023

  • 多模态年龄和性别分类：使用耳朵和侧脸图像

    本文提出了基于多模态深度神经网络框架的人脸及耳朵综合识别系统，通过探索不同的多模态策略和领域适应技术，同时结合面部及耳部图像信息，成功实现了高精度的年龄和性别识别。

    Jul, 2019

  • 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

  • 推进耳部生物特征识别：通过深度学习提高准确性和鲁棒性

    本研究关注耳部生物特征识别，通过利用其独特特征来提高准确性、可靠性和实用性，并证明了耳部生物特征识别在克服面部表情和光照条件变化等局限性方面的有效性。通过数据预处理和增强等技术，我们的模型在 AMI 数据集上实现了 99.35% 的测试准确率，并在 EarNV1.0 数据集上实现了 98.1% 的测试准确率，展示了我们方法在基于耳部生物特征的个体识别方面的有效性。

    May, 2024

  • 使用深度卷积神经网络进行耳部识别的域自适应

    本文研究了无约束耳辨识问题，并证明了当使用深度卷积神经网络模型进行耳辨识时领域适应的重要性。通过收集新的耳朵数据集，混合不同的深度卷积神经网络模型来进一步提高性能，分析了耳像质量对分类性能的影响。通过在 UERC 数据集上进行实验验证，实验结果表明，领域适应会带来显著的性能提升，并且图像质量对结果有影响。对不同数据集存在偏差的问题进行分析，结果表明耳辨识数据集之间存在较强的偏差。

    Mar, 2018

  • 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

  • 通过对比学习进行面部图像的年龄预测

    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

  • 基于深度学习集成的表观年龄估计

    本文介绍了一种多标签人脸表观年龄估计的深度学习方法，通过组合多个卷积神经网络模型来降低估计误差。

    Jun, 2016

  • 耳朵识别：不仅仅是一份调查

    本论文介绍了自动耳识别技术的最新进展，主要讨论了基于描述符的方法。除此之外，该论文还引入了一个包含多种现代技术的工具箱和一个完全自由的耳图像数据集，目的是解决领域中的一些问题并向研究社区公开提供。

    Nov, 2016