論文の概要: A Demographic Attribute Guided Approach to Age Estimation
- arxiv url: http://arxiv.org/abs/2205.10254v1
- Date: Fri, 20 May 2022 15:34:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-23 16:03:11.052235
- Title: A Demographic Attribute Guided Approach to Age Estimation
- Title（参考訳）: 年齢推定に対する人口属性指導的アプローチ
- Authors: Zhicheng Cao, Kaituo Zhang, Liaojun Pang, Heng Zhao
- Abstract要約: 本研究は,顔属性の補助情報を活用し,属性誘導モジュールを用いた新しい年齢推定手法を提案する。
UTKFace, LAP2016, Morphの3つの公開データセットによる実験結果から, 提案手法は, 他の最先端手法と比較して優れた性能が得られることが示された。
- 参考スコア（独自算出の注目度）: 4.215251065887862
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Face-based age estimation has attracted enormous attention due to wide
applications to public security surveillance, human-computer interaction, etc.
With vigorous development of deep learning, age estimation based on deep neural
network has become the mainstream practice. However, seeking a more suitable
problem paradigm for age change characteristics, designing the corresponding
loss function and designing a more effective feature extraction module still
needs to be studied. What is more, change of face age is also related to
demographic attributes such as ethnicity and gender, and the dynamics of
different age groups is also quite different. This problem has so far not been
paid enough attention to. How to use demographic attribute information to
improve the performance of age estimation remains to be further explored. In
light of these issues, this research makes full use of auxiliary information of
face attributes and proposes a new age estimation approach with an attribute
guidance module. We first design a multi-scale attention residual convolution
unit (MARCU) to extract robust facial features other than simply using other
standard feature modules such as VGG and ResNet. Then, after being especially
treated through full connection (FC) layers, the facial demographic attributes
are weight-summed by 1*1 convolutional layer and eventually merged with the age
features by a global FC layer. Lastly, we propose a new error compression
ranking (ECR) loss to better converge the age regression value. Experimental
results on three public datasets of UTKFace, LAP2016 and Morph show that our
proposed approach achieves superior performance compared to other
state-of-the-art methods.
- Abstract（参考訳）: 顔に基づく年齢推定は、公衆のセキュリティ監視や人間とコンピュータのインタラクションなど、幅広い応用により、大きな注目を集めている。
ディープラーニングの活発な開発により、ディープニューラルネットワークに基づく年齢推定が主流となっている。
しかし, 年齢変化特性に対するより適切な問題パラダイム, 対応する損失関数を設計し, より効率的な特徴抽出モジュールを設計する必要がある。
さらに、顔年齢の変化は、民族や性別といった人口特性にも関連しており、異なる年齢層の動態も大きく異なる。
この問題は今のところ十分に注目されていない。
人口属性情報を用いて年齢推定の性能を向上させる方法については,今後検討する。
これらの問題を踏まえて,本研究は顔属性の補助情報を完全に活用し,属性誘導モジュールを用いた新しい年齢推定手法を提案する。
まず,vggやresnetといった標準機能モジュール以外のロバストな顔特徴を抽出するために,マルチスケールアテンション残差畳み込みユニット(marcu)を設計した。
そして、特にフルコネクション(fc)層を通して処理した後、顔層属性を1*1畳み込み層で重み付けし、最終的にはグローバルfc層で年齢特徴とマージする。
最後に,年齢回帰値の収束性を高めるために,新しい誤差圧縮ランキング(ecr)損失を提案する。
UTKFace, LAP2016, Morphの3つの公開データセットによる実験結果から, 提案手法は, 他の最先端手法と比較して優れた性能が得られることが示された。
関連論文リスト
- Age Prediction From Face Images Via Contrastive Learning [1.7705784090599048]
我々は、異なる年齢の異なる人物の容易に利用可能な顔データセットを活用し、コントラスト学習を用いて年齢に関連する特徴を抽出することを目的としている。
提案手法は,コサイン類似度とトリプルトマージン損失の組合せを用いて,同一性に関連する特徴を抑えながら,関連する特徴を強調した。
論文 参考訳（メタデータ） (2023-08-23T03:43:34Z) - Noise-Tolerance GPU-based Age Estimation Using ResNet-50 [0.0]
UTKFaceデータセットにディープ残差ニューラルネットワークを実装した。
入力データに15dBのノイズを注入した場合,実装ネットワークの性能は1.5%以下であることを示す。
論文 参考訳（メタデータ） (2023-04-26T16:38:41Z) - LAE : Long-tailed Age Estimation [52.5745217752147]
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。
論文 参考訳（メタデータ） (2021-10-25T09:05:44Z) - Deep Collaborative Multi-Modal Learning for Unsupervised Kinship
Estimation [53.62256887837659]
キンシップ検証は、コンピュータビジョンにおける長年の研究課題である。
本稿では,顔特性に表される基礎情報を統合するために,新しい協調型多モーダル学習(DCML)を提案する。
我々のDCML法は、常に最先端のキンシップ検証法よりも優れている。
論文 参考訳（メタデータ） (2021-09-07T01:34:51Z) - 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) - 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) - Learning Expectation of Label Distribution for Facial Age and
Attractiveness Estimation [65.5880700862751]
本稿では,2つの最先端手法(Ranking-CNNとDLDL)の本質的な関係を解析し,ランキング法が実際にラベル分布を暗黙的に学習していることを示す。
軽量なネットワークアーキテクチャを提案し、顔属性の分布と回帰属性の値を共同で学習できる統一的なフレームワークを提案する。
提案手法は,36$times$パラメータが小さく,3$times$が顔の年齢/魅力度推定における高速な推論速度を持つ単一モデルを用いて,新しい最先端結果を実現する。
論文 参考訳（メタデータ） (2020-07-03T15:46:53Z) - 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。