論文の概要: From Age Estimation to Age-Invariant Face Recognition: Generalized Age Feature Extraction Using Order-Enhanced Contrastive Learning
- arxiv url: http://arxiv.org/abs/2501.01760v1
- Date: Fri, 03 Jan 2025 11:23:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-06 15:11:34.454873
- Title: From Age Estimation to Age-Invariant Face Recognition: Generalized Age Feature Extraction Using Order-Enhanced Contrastive Learning
- Title（参考訳）: 年齢推定から年齢不変顔認識:順序強化コントラスト学習を用いた一般化年齢特徴抽出
- Authors: Haoyi Wang, Victor Sanchez, Chang-Tsun Li, Nathan Clarke,
- Abstract要約: 一般的な年齢特徴抽出は、年齢に関連する顔分析タスクに不可欠である。
我々は,異なるデータセットやシナリオ間のドメインギャップを最小限に抑えるために,秩序強化コントラスト学習(OrdCon)を提案する。
提案手法は,各種ベンチマークデータセットの最先端手法に匹敵する結果が得られることを示す。
- 参考スコア（独自算出の注目度）: 23.817867981093382
- License:
- Abstract: Generalized age feature extraction is crucial for age-related facial analysis tasks, such as age estimation and age-invariant face recognition (AIFR). Despite the recent successes of models in homogeneous-dataset experiments, their performance drops significantly in cross-dataset evaluations. Most of these models fail to extract generalized age features as they only attempt to map extracted features with training age labels directly without explicitly modeling the natural progression of aging. In this paper, we propose Order-Enhanced Contrastive Learning (OrdCon), which aims to extract generalized age features to minimize the domain gap across different datasets and scenarios. OrdCon aligns the direction vector of two features with either the natural aging direction or its reverse to effectively model the aging process. The method also leverages metric learning which is incorporated with a novel soft proxy matching loss to ensure that features are positioned around the center of each age cluster with minimum intra-class variance. We demonstrate that our proposed method achieves comparable results to state-of-the-art methods on various benchmark datasets in homogeneous-dataset evaluations for both age estimation and AIFR. In cross-dataset experiments, our method reduces the mean absolute error by about 1.38 in average for age estimation task and boosts the average accuracy for AIFR by 1.87%.
- Abstract（参考訳）: 一般的な年齢特徴抽出は、年齢推定や年齢不変顔認識(AIFR)などの年齢関連顔分析タスクに不可欠である。
均一データセット実験における最近のモデルの成功にもかかわらず、それらの性能はデータセット間の評価において著しく低下している。
これらのモデルの多くは、老化の自然な進行を明示的にモデル化することなく、抽出した特徴をトレーニング年齢ラベルで直接マップしようとするため、一般的な年齢特徴の抽出に失敗している。
本稿では,異なるデータセットやシナリオ間のドメインギャップを最小限に抑えるために,汎用年齢特徴を抽出することを目的とした,秩序強化コントラスト学習(OrdCon)を提案する。
OrdConは、2つの特徴の方向ベクトルを自然老化方向またはその逆と整合させ、効果的に老化プロセスをモデル化する。
この手法はまた、新しいソフトプロキシマッチング損失を組み込んだメトリック学習を活用し、各年齢クラスタの中心に最小クラス内分散で特徴が配置されていることを保証する。
提案手法は, 年齢推定とAIFRの両方を対象とした同質なデータセット評価において, 各種ベンチマークデータセットの最先端手法に匹敵する結果が得られることを示す。
クロスデータセット実験では,AIFRの平均誤差を平均約1.38まで削減し,AIFRの平均精度を1.87%向上させる。
関連論文リスト
- Relative Age Estimation Using Face Images [12.30301655447024]
入力画像と参照画像の年齢差を既知年齢で推定するネットワークを用いて、初期推定を精査する。
差分回帰法を用いて, 年齢依存性の顔変化を明示的にモデル化し, 従来の絶対年齢推定よりも精度が向上した。
提案手法は既存の手法を超越し,MORPH IIおよびCACDデータセット上で最先端の精度を実現する。
論文 参考訳（メタデータ） (2025-02-07T11:42:01Z) - 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) - 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) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - A Demographic Attribute Guided Approach to Age Estimation [4.215251065887862]
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。
論文 参考訳（メタデータ） (2022-05-20T15:34:47Z) - 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) - 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。