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
数字图像的时间取证目标是相对于同一设备的图像近似估计其年龄。传统的方法是基于图像采集过程中留下的痕迹,而卷积神经网络(CNN)作为一种新方法,可以独立学习用于估计图像年龄的特征,并可以利用与在场传感器缺陷不同的其他年龄痕迹。本研究通过训练单一设备的网络,然后将训练的模型应用于不同设备的图像来评估所学特征的设备相关性。
Apr, 2024
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
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
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
使用深度学习和卷积神经网络方法,预测健康人群的大脑年龄,并建立其作为大脑衰老过程个体差异性的生物标志物的资格,该预测模型的结果证明了其在灰质或白质参数地图上的预测准确度极高,具有高度的可靠性和遗传学效度,可用于评估大脑老化的生物标志物,并且可以在原始数据上准确生成预测,实现在临床现场获得大脑健康信息。
Dec, 2016
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
本研究提出了一种极其紧凑且高效的基于层叠上下文的年龄估计模型,它比 MobileNets 和 ShuffleNets 和 VggNet 只占 1/9 和 1/2000 的参数,同时具有竞争性能;通过多分支 CNN 网络聚合多尺度上下文来充分利用面部上下文信息,实现了对年龄估计问题的重新定义。
Apr, 2019