Jul, 2019

深度可微随机森林用于年龄估计

PDF
TL;DR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。
age estimationfacial imagesdeep differentiable random forestslabel distribution learning forestdeep regression forest
发现论文，激发创造
  • 深度回归森林用于年龄估计

    本研究基于深度回归森林（DRF）模型，提出了一种端到端感知的方法，通过连接分裂节点和卷积神经网络 (CNN) 的全连接层，在困难的数据环境下，实现面部图像年龄估计，并在三个标准数据集上实验，取得了最先进的结果。

    Dec, 2017

  • 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

  • 基于注意力 LSTM 网络的野外细粒度年龄估计

    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

  • 深度森林多标签学习

    该研究提出了一个名为 MLDF 的多标签深度森林方法，该方法利用度量感知特征重用和度量感知层增长机制同时解决了多标签问题中的两个难点：模型复杂性约束和性能度量优化。实验证明，与基准数据集上的其他方法相比，我们的提议不仅击败了六个度量标准，而且在多标签学习中具有标签相关性发现和其他期望的属性。

    Nov, 2019

  • 深度标签分布学习中标签歧义的处理

    该论文提出一种名为 DLDL（Deep Label Distribution Learning）的方法，通过最小化深度 ConvNets 预测和 ground-truth 标签分布之间的 Kullback-Leibler 散度来学习标签分布，有效地利用标签模糊性，并在训练集较小的情况下防止网络过度拟合，显著提高了年龄估计和头部姿态估计的结果，同时还改进了多标签分类和语义分割任务的识别性能。

    Nov, 2016

  • 面部年龄估计的软排序标签编码方法

    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

  • 自适应均值残差损失用于鲁棒的面部年龄估计

    本文提出了一种简单而有效的损失函数，即自适应均值残差损失用于鲁棒人脸年龄估计，并通过 FG-NET 和 CLAP2016 数据集证实了其有效性。

    Mar, 2022

  • 标签分布学习森林

    本文提出了基于不同 iable 决策树的标签分布学习森林（LDLF），旨在解决标签分布学习的限制假设与表征学习方面存在局限性等问题，并在多项实验和计算机视觉应用中验证了其有效性。

    Feb, 2017

  • 面向年龄不变人脸识别的正交深层特征分解

    本文提出了一种新颖的方法（正交嵌入卷积神经网络，OE-CNNs）来学习年龄不变深度人脸特征，并构建了一个全新的大规模跨龄人脸数据集（CAF）用于增强该领域的研究和实验验证。实验结果表明，该方法在年龄不变人脸识别和一般人脸识别上表现具有可比性。

    Oct, 2018

  • 面部遮盖对比图表示学习用于年龄估计

    本文提出了一种基于掩蔽对比图表示学习的年龄估计方法，该方法利用图表示学习的鲁棒性来处理图像冗余信息，通过深度学习的方法从面部图像数据集中提取结构信息和语义特征，并在多个损失函数的约束下综合利用二者提高预测精度。

    Jun, 2023