Oct, 2020

使用注意力卷积网络从人脸图像中预测年龄和性别

PDF
TL;DR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。
automatic predictionface imagesdeep learning frameworkgender predictionage prediction
发现论文，激发创造
  • 基于图卷积神经网络和多头注意力机制的年龄估计

    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

  • 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

  • 人脸分析的全功能卷积神经网络

    本文提出一种使用单个深度卷积神经网络进行人脸检测，人脸对齐，姿态估计，性别识别，微笑检测，年龄估计和人脸识别的多用途算法，通过多任务学习框架实现了对 CNN 模型的共享参数的规范化，并在不同领域和任务之间建立协同关系，实验结果表明该网络对人脸具有更好的理解，并在大多数任务方面实现了最先进的结果。

    Nov, 2016

  • 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 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

  • 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

  • 深情感：利用注意力卷积网络进行面部表情识别

    该文介绍了针对面部表情识别问题，提出了一种基于注意力卷积网络的深度学习方法，并采用可视化技术确定了识别不同情绪对应的重要面部区域，相比先前的模型在多个数据集上都取得了明显的改进。

    Feb, 2019

  • 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

  • 深度神经网络在年龄和性别分类中的理解和比较

    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

  • 使用卷积神经网络进行性别分类的 2 个盒子 3 个裁剪的面部图像

    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