論文の概要: MetaAge: Meta-Learning Personalized Age Estimators
- arxiv url: http://arxiv.org/abs/2207.05288v1
- Date: Tue, 12 Jul 2022 03:53:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-13 13:51:42.586916
- Title: MetaAge: Meta-Learning Personalized Age Estimators
- Title（参考訳）: MetaAge: メタ学習型個人年齢推定器
- Authors: Wanhua Li, Jiwen Lu, Abudukelimu Wuerkaixi, Jianjiang Feng, Jie Zhou
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 94.73054410570037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Different people age in different ways. Learning a personalized age estimator
for each person is a promising direction for age estimation given that it
better models the personalization of aging processes. However, most existing
personalized methods suffer from the lack of large-scale datasets due to the
high-level requirements: identity labels and enough samples for each person to
form a long-term aging pattern. In this paper, we aim to learn personalized age
estimators without the above requirements and propose a meta-learning method
named MetaAge for age estimation. Unlike most existing personalized methods
that learn the parameters of a personalized estimator for each person in the
training set, our method learns the mapping from identity information to age
estimator parameters. Specifically, we introduce a personalized estimator
meta-learner, which takes identity features as the input and outputs the
parameters of customized estimators. In this way, our method learns the meta
knowledge without the above requirements and seamlessly transfers the learned
meta knowledge to the test set, which enables us to leverage the existing
large-scale age datasets without any additional annotations. Extensive
experimental results on three benchmark datasets including MORPH II, ChaLearn
LAP 2015 and ChaLearn LAP 2016 databases demonstrate that our MetaAge
significantly boosts the performance of existing personalized methods and
outperforms the state-of-the-art approaches.
- Abstract（参考訳）: 年齢は年齢によって異なる。
パーソナライズされた年齢推定器の学習は、老化プロセスのパーソナライズをより良くモデル化するため、年齢推定にとって有望な方向性である。
しかし、既存のパーソナライズされたほとんどの方法は、アイデンティティラベルと個人が長期的な老化パターンを形成するのに十分なサンプルという、高度な要求のために大規模なデータセットが欠如している。
本稿では、上記の要件を満たさずにパーソナライズされた年齢推定器を学習し、MetaAgeというメタラーニング手法を提案する。
トレーニングセット内の各人ごとのパーソナライズされた推定者のパラメータを学習する従来のパーソナライズされた方法とは異なり、本手法は識別情報から年齢推定者パラメータへのマッピングを学習する。
具体的には、アイデンティティ機能を入力として、カスタマイズされた推定者のパラメータを出力するパーソナライズされた推定子メタリーナーを導入する。
このようにして,本手法は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。
MORPH II、ChaLearn LAP 2015、ChaLearn LAP 2016データベースを含む3つのベンチマークデータセットの大規模な実験結果から、私たちのMetaAgeは既存のパーソナライズされたメソッドのパフォーマンスを大幅に向上させ、最先端のアプローチよりも優れています。
関連論文リスト
- A New Teacher-Reviewer-Student Framework for Semi-supervised 2D Human Pose Estimation [33.01458098153753]
新しく設計された教師-視聴者-学生の枠組みを利用して,新しい半教師付き2次元ポーズ推定手法を提案する。
具体的には、まず、人類がフレームワークを設計するための統合のための以前の知識を常にレビューする現象を模倣する。
第2に、バックボーンの異なるステージからの出力を利用して、ヒートマップを推定し、ネットワークトレーニングをガイドするマルチレベル特徴学習戦略を導入する。
論文 参考訳（メタデータ） (2025-01-16T14:40:02Z) - Federated Progressive Self-Distillation with Logits Calibration for Personalized IIoT Edge Intelligence [0.1227734309612871]
本研究では,ロジットキャリブレーションとプログレッシブ自己蒸留に基づく新しいPFL法であるフェデレートプログレッシブ自己蒸留(FedPSD)を提案する。
グローバルな知識を忘れる問題に対処するために,局所的なトレーニング損失に対するロジス校正手法を提案し,進歩的な自己蒸留戦略を設計する。
論文 参考訳（メタデータ） (2024-11-30T09:32:05Z) - Architecture, Dataset and Model-Scale Agnostic Data-free Meta-Learning [117.48444197402858]
データフリーメタトレーニングにおけるePisode cUrriculum inversion(ECI)と、内部ループ後のinvErsion calibRation(ICFIL)を提案する。
ECIは、メタモデルのリアルタイムフィードバックに応じて、擬似エピソードの難易度を適応的に増加させる。
本稿では,ECIを用いたメタトレーニングの最適化過程を,エンド・ツー・エンド方式で近似形式として定式化する。
論文 参考訳（メタデータ） (2023-03-20T15:10:41Z) - FedPC: Federated Learning for Language Generation with Personal and
Context Preference Embeddings [10.235620939242505]
フェデレーション学習(Federated Learning)は、集中型サーバにデータを集約することなく、複数の分散ユーザから学習するトレーニングパラダイムである。
我々は,個人埋め込みと共有コンテキスト埋め込みの両面を活用した,フェデレートラーニングにおけるパーソナライズ研究の新しい方向性を提案する。
本稿では,これらの嗜好の埋め込みを予測し,バックプロパゲーションを伴わないパーソナライズを可能にするアプローチを提案する。
論文 参考訳（メタデータ） (2022-10-07T18:01:19Z) - 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) - 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) - Incremental Object Detection via Meta-Learning [77.55310507917012]
本稿では,段階的タスク間の情報を最適に共有するように,モデル勾配を再形成するメタラーニング手法を提案する。
既存のメタ学習法と比較して,本手法はタスク非依存であり,オブジェクト検出のための高容量モデルに新たなクラスやスケールを段階的に追加することができる。
論文 参考訳（メタデータ） (2020-03-17T13:40:00Z) - Incremental Meta-Learning via Indirect Discriminant Alignment [118.61152684795178]
メタ学習のメタ学習段階において,段階的な学習の概念を発達させる。
我々のアプローチは、完全なメタトレーニングセットでモデルをトレーニングするのと比べて、テスト時に好適に機能する。
論文 参考訳（メタデータ） (2020-02-11T01:39:12Z)
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。