一致性保留的集成排序年龄估计方法

在基于传统的排序、回归的年龄估计方法中,存在不能有效利用人脸的演化特征、构建不同排序标签之间的相关性,且二分类方法进行年龄估计会产生排序不一致的问题。基于上述问题,提出一致性保留的集成排序年龄估计方法,充分利用年龄与排序值之间的相关性,抑制排序不一致问题;并提出新指标——排序不一致样本比例,用于评估二分类排序方法中排序不一致问题。首先,通过设计的编码方法将年龄类别转换成排序矩阵形式;然后,使用残差网络ResNet34(Residual Network)特征提取网络提取面部特征,再通过提出的编码学习模块进行编码学习;最后,通过基于度量方法的排序解码器将网络预测结果解码成图片的预测年龄。在MORPHⅡ数据集上的实验结果达到平均绝对误差(MAE)2.18,并在其他公开数据集上与同样基于排序、有序回归方法的OR-CNN(Ordinal Regression with CNN)、CORAL(COnsistent RAnk Logits)等方法相比,所提方法有更准确的预测结果,同时抑制了排序不一致样本的比例,排序不一致度量性能比OR-CNN方法提升了约65%。

基于多峰标签分布学习的多任务年龄估计方法

针对面部年龄估计中标签序数信息和类间相关性提取难的问题,提出一种多峰分布(MPD)年龄编码,并基于该年龄编码构建了一个多任务年龄估计方法MPDNet(MPD Network)。首先,利用MPD将年龄标签转化为年龄分布,以提取年龄标签间的相关信息,构建年龄老化趋势的阶段性;然后,采用一个轻量级网络进行多阶段的特征提取,并对提取的特征分别进行标签分布学习(LDL)和回归学习;最后,共享两个学习任务的输出,并在训练过程中通过反向传播互相优化,避免传统标签分布学习中对分布结果直接进行回归导致的误差传播。在MORPHⅡ数据集上的实验结果表明,MPDNet的平均绝对误差(MAE)达到2.67,与基于VGGNets(Visual Geometry Group Networks)构建的DEX(Deep EXpectation)、RankingCNN(Ranking Convolutional Neural Network)等方法相当,而参数仅为VGGNets的1/788.6;而且MPDNet也优于同体量的C3AE(extremely Compact yet efficient Cascade Context-based Age Estimation model)、SSR-Net(Soft Stagewise Regression Network)等方法。MPDNet能够较好地利用年龄标签间丰富的相关信息来提取更具判别力的年龄特征,提高年龄估计任务的预测精度。