論文の概要: LAE : Long-tailed Age Estimation

• arxiv url: http://arxiv.org/abs/2110.12741v1
• Date: Mon, 25 Oct 2021 09:05:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 16:42:00.856867
• Title: LAE : Long-tailed Age Estimation
• Title（参考訳）: lae : ロングテール年齢推定
• Authors: Zenghao Bao, Zichang Tan, Yu Zhu, Jun Wan, Xibo Ma, Zhen Lei, Guodong Guo
• Abstract要約: まず、簡単な標準ベースラインを定式化し、事前トレーニング、データ拡張、モデルアーキテクチャなどのトリックを収集することで、はるかに強力なベースラインを構築します。 標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。 本稿では,Long-tailed Age Estimation (LAE) という2段階の学習手法を提案する。
• 参考スコア（独自算出の注目度）: 52.5745217752147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Facial age estimation is an important yet very challenging problem in computer vision. To improve the performance of facial age estimation, we first formulate a simple standard baseline and build a much strong one by collecting the tricks in pre-training, data augmentation, model architecture, and so on. Compared with the standard baseline, the proposed one significantly decreases the estimation errors. Moreover, long-tailed recognition has been an important topic in facial age datasets, where the samples often lack on the elderly and children. To train a balanced age estimator, we propose a two-stage training method named Long-tailed Age Estimation (LAE), which decouples the learning procedure into representation learning and classification. The effectiveness of our approach has been demonstrated on the dataset provided by organizers of Guess The Age Contest 2021.
• Abstract（参考訳）: 顔年齢の推定はコンピュータビジョンにおいて重要だが非常に難しい問題である。 顔年齢推定の性能を向上させるために,まず,簡単な標準ベースラインを定式化し,事前トレーニングやデータ拡張,モデルアーキテクチャなどのトリックを収集することで,はるかに強力なベースラインを構築する。 標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。 さらに、ロングテール認識は、顔年齢データセットにおいて重要なトピックであり、サンプルはしばしば高齢者や子供に欠落している。 バランスのある年齢推定器を訓練するために,long-tailed age estimation (lae) という2段階の学習法を提案し,学習手順を表現学習と分類に分解する。 提案手法の有効性は,2021年のGuess The Age Contestの主催者によるデータセット上で実証されている。

関連論文リスト

• P-Age: Pexels Dataset for Robust Spatio-Temporal Apparent Age Classification [0.7234862895932991]
  AgeFormerは、年齢分類のためのボディフェイスベースの方法全体のダイナミクスの情報を利用する。 ビデオから現実の状況における年齢予測のギャップを埋めるため,Pexels Ageというビデオデータセットを構築した。 提案手法は既存の顔に基づく年齢推定法と比較して優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-11-04T15:23:21Z)
• General vs. Long-Tailed Age Estimation: An Approach to Kill Two Birds with One Stone [48.849311629912734]
  本稿では, GLAE という, シンプルで効果的で柔軟な訓練パラダイムを提案する。 私たちのGLAEはMorph IIを驚くほど改善し、それぞれ1.14年と1.27年で最低のMAEとCMAEに達した。
  論文  参考訳（メタデータ） (2023-07-19T16:51:59Z)
• MetaAge: Meta-Learning Personalized Age Estimators [94.73054410570037]
  年齢推定のためのメタAgeというメタ学習手法を提案する。 具体的には、パーソナライズされた推定器のメタラーナを導入し、識別機能を入力として取り込んで、カスタマイズされた推定器のパラメータを出力する。 このようにして、上記の要件なしにメタ知識を学習し、学習したメタ知識をテストセットにシームレスに転送する。
  論文  参考訳（メタデータ） (2022-07-12T03:53:42Z)
• FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in the Wild [50.8865921538953]
  年齢推定に顔のセマンティクスを明示的に組み込む手法を提案する。 我々は,顔解析に基づくネットワークを設計し,異なるスケールで意味情報を学習する。 提案手法は,既存の年齢推定手法を常に上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-21T14:31:32Z)
• using multiple losses for accurate facial age estimation [6.851375622634309]
  本稿では,分類に基づく手法と比較して,年齢推定をシンプルかつ効果的に行う手法を提案する。 CVPR Chalearn 2016データセット上での年齢-粒度-ネットフレームワークの有効性を検証し,提案手法が個々の損失と比較して予測誤差を低減できることを示す。
  論文  参考訳（メタデータ） (2021-06-17T11:18:16Z)
• Continuous Face Aging via Self-estimated Residual Age Embedding [8.443742714362521]
  本稿では,線形年齢推定器をGANモデルに組み込む統一ネットワーク構造を提案する。 埋め込み年齢推定器は、エンコーダおよびデコーダとの共同訓練を行い、顔画像の年齢を推定する。 パーソナライズされた目標年齢埋め込みは、現在の年齢のパーソナライズされた残存年齢埋め込みと、目標年齢の老化ベースの両方を組み込んで合成される。
  論文  参考訳（メタデータ） (2021-04-30T18:06:17Z)
• PFA-GAN: Progressive Face Aging with Generative Adversarial Network [19.45760984401544]
  本論文では,PFA-GANを基盤とした新しい顔老化フレームワークを提案する。 このフレームワークは、蓄積されたアーティファクトと曖昧さを取り除くために、エンドツーエンドでトレーニングすることができる。 実験により,既存の (c) GANs 法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-12-07T05:45:13Z)
• Age Gap Reducer-GAN for Recognizing Age-Separated Faces [72.26969872180841]
  本稿では,年齢変化に伴う顔と時間変化をマッチングする新しいアルゴリズムを提案する。 提案手法は,顔の年齢推定と年齢別顔の検証を組み合わせた統合フレームワークである。
  論文  参考訳（メタデータ） (2020-11-11T16:43:32Z)
• Enhancing Facial Data Diversity with Style-based Face Aging [59.984134070735934]
  特に、顔データセットは、通常、性別、年齢、人種などの属性の観点からバイアスされる。 本稿では, 細粒度の老化パターンをキャプチャするデータ拡張のための, 生成スタイルに基づく新しいアーキテクチャを提案する。 提案手法は, 年齢移動のための最先端アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-06T21:53:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。