Nov, 2023

P-Age：Pexels 强健时空表观年龄分类数据集

PDF
TL;DR利用视频模型和时空信息，提出 AgeFormer 方法用于年龄分类，有效地应对遮挡、低分辨率和光照等挑战，并通过构建 P-Age 数据集在面部高度遮挡、模糊或掩蔽的情况下，取得比现有基于面部的年龄估计方法更优的结果，同时在 Charades、Smarthome 和 Thumos-14 等多个具有挑战性的视频数据集上进行了跨测试。
age estimationvideo-based modelspatio-temporal informationageformerp-age dataset
发现论文，激发创造
  • 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

  • 通过年龄后验比较量化面部年龄

    介绍了一种新方法来标注大量的野外人脸图像，将高质量的后验年龄分布作为标签；通过人在循环比较，可以将可靠的注释从一个已知年龄样本的参考数据库转移到另一个标签数据集，并通过全连接和 SoftMax 层有效地将比较转换为后验概率分布，从而训练一种同时执行序数超平面分类和后验分布学习的网络，并达到了基准测试的最新成果。

    Aug, 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

  • 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

  • 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

  • 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

  • 寿命年龄转换合成

    该论文介绍了一种基于多域图像生成对抗网络的单张图片年龄进退展方法，其学习的潜在空间模拟了一个连续的双向老化过程。该框架可从一张照片中预测 0-70 岁的完整头像，改变头部的纹理和形状，这取得了显著的改进。

    Mar, 2020

  • 视频面部年龄转换：朝着时间一致的面部年龄转换

    视频脸部年龄回溯通过改变人物在视频中的视觉年龄来完成，本文提出了一个新的用于验证视频脸部年龄回溯效果的基线架构，并开发了三个专门用于评估视频脸部年龄回溯技术的时序一致性的新度量指标。综合实验证明，我们的方法在年龄转换和时序一致性方面均优于现有方法。

    Nov, 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

  • 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