論文の概要: Stage-wise Adaptive Label Distribution for Facial Age Estimation
- arxiv url: http://arxiv.org/abs/2509.00450v1
- Date: Sat, 30 Aug 2025 10:45:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 15:17:03.237198
- Title: Stage-wise Adaptive Label Distribution for Facial Age Estimation
- Title（参考訳）: 顔年齢推定のための段階的適応ラベル分布
- Authors: Bo Wu, Zhiqi Ai, Jun Jiang, Congcong Zhu, Shugong Xu,
- Abstract要約: 年齢推定のための段階適応ラベル分布学習(SA-LDL)アルゴリズムを提案する。
SA-LDLはラベルの曖昧さの複雑で構造的な性質を効果的に捉え、より正確で頑健な年齢推定に繋がる。
実験により、SA-LDLはMORPH-IIとFG-NETのデータセットで1.74と2.15のMAEで競合性能を発揮することが示された。
- 参考スコア（独自算出の注目度）: 21.55166602124972
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Label ambiguity poses a significant challenge in age estimation tasks. Most existing methods address this issue by modeling correlations between adjacent age groups through label distribution learning. However, they often overlook the varying degrees of ambiguity present across different age stages. In this paper, we propose a Stage-wise Adaptive Label Distribution Learning (SA-LDL) algorithm, which leverages the observation -- revealed through our analysis of embedding similarities between an anchor and all other ages -- that label ambiguity exhibits clear stage-wise patterns. By jointly employing stage-wise adaptive variance modeling and weighted loss function, SA-LDL effectively captures the complex and structured nature of label ambiguity, leading to more accurate and robust age estimation. Extensive experiments demonstrate that SA-LDL achieves competitive performance, with MAE of 1.74 and 2.15 on the MORPH-II and FG-NET datasets.
- Abstract（参考訳）: ラベルの曖昧さは、年齢推定タスクにおいて重大な課題となる。
既存の手法の多くは、ラベル分布学習を通じて隣接年齢群間の相関関係をモデル化することによってこの問題に対処している。
しかし、彼らはしばしば年齢の異なる段階に存在するあいまいさの度合いを見落としている。
本稿では、アンカーと他の年齢間の類似点の埋め込み分析から明らかになった観測を活かした、段階的適応ラベル分布学習(SA-LDL)アルゴリズムを提案する。
段階的適応分散モデルと重み付き損失関数を併用することにより、SA-LDLはラベルのあいまいさの複雑で構造的な性質を効果的に捉え、より正確で堅牢な年齢推定を実現する。
大規模な実験により、SA-LDLはMORPH-IIおよびFG-NETデータセットのMAEが1.74と2.15である。
関連論文リスト
- From Age Estimation to Age-Invariant Face Recognition: Generalized Age Feature Extraction Using Order-Enhanced Contrastive Learning [23.817867981093382]
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。
年齢などの順序属性を明示的に用いた新しいコントラスト学習フレームワークを提案する。
提案手法は,様々なベンチマークデータセット上での最先端手法に匹敵する結果が得られる。
論文 参考訳（メタデータ） (2025-01-03T11:23:52Z) - Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。
本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。
我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
論文 参考訳（メタデータ） (2024-10-08T15:06:10Z) - Exploring Contrastive Learning for Long-Tailed Multi-Label Text Classification [48.81069245141415]
マルチラベルテキスト分類のための新しいコントラスト損失関数を提案する。
マイクロF1スコアは、他の頻繁に採用される損失関数と一致するか、上回っている。
これは、3つのマルチラベルデータセットでMacro-F1スコアが大幅に改善されたことを示している。
論文 参考訳（メタデータ） (2024-04-12T11:12:16Z) - Maturity-Aware Active Learning for Semantic Segmentation with
Hierarchically-Adaptive Sample Assessment [18.65352271757926]
Maturity-Aware Distribution Breakdown-based Active Learning (MADBAL)は、異なる「サンプル」の定義を共同で考慮したAL手法である。
MADBALは初期のALステージでも大幅なパフォーマンス向上を実現しているため、トレーニングの負担を大幅に削減できる。
実験で検証したように,都市景観とPASCALVOCデータセットの最先端手法よりも優れています。
論文 参考訳（メタデータ） (2023-08-28T21:13:04Z) - Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。
擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。
ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
論文 参考訳（メタデータ） (2023-03-27T07:46:58Z) - SVLDL: Improved Speaker Age Estimation Using Selective Variance Label
Distribution Learning [24.57668015470307]
本稿では,年齢分布の分散に適応するために,SVLDL法を提案する。
モデルは、WavLMを音声特徴抽出器として使用し、さらにパフォーマンスを向上させるために、性別認識の補助タスクを追加する。
実験の結果,NIST SRE08-10と実世界のデータセットのすべての面において,最先端のパフォーマンスが得られた。
論文 参考訳（メタデータ） (2022-10-18T01:34:31Z) - Adversarial Dual-Student with Differentiable Spatial Warping for
Semi-Supervised Semantic Segmentation [70.2166826794421]
本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。
また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。
我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
論文 参考訳（メタデータ） (2022-03-05T17:36:17Z) - Towards Speaker Age Estimation with Label Distribution Learning [26.12240876065871]
年齢ラベル間のあいまいな情報を利用し、各年齢ラベルを個別のラベル分布に変換し、ラベル分布学習法(LDL)を用いてデータに適合させる。
本手法は, 年齢分類と回帰アプローチを自然に組み合わせ, 手法の堅牢性を高める。
我々は,NIST SRE08-10データセットと実世界のデータセットを用いて実験を行い,本手法が比較的大きなマージンでベースライン手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-02-23T11:11:58Z) - Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。
半教師付き長尾認識という新しい認識設定を提案する。
2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
論文 参考訳（メタデータ） (2021-05-01T00:43:38Z) - PML: Progressive Margin Loss for Long-tailed Age Classification [9.020103398777653]
非拘束顔面年齢分類のためのプログレッシブマージンロス(PML)アプローチを提案する。
私たちのPMLは、いくつかのマージンを強制することによって、年齢ラベルパターンを適応的に洗練することを目指しています。
論文 参考訳（メタデータ） (2021-03-03T02:47:09Z) - Heteroskedastic and Imbalanced Deep Learning with Adaptive
Regularization [55.278153228758434]
実世界のデータセットはヘテロスケダティックで不均衡である。
ヘテロスケダスティック性と不均衡を同時に扱うことは、未発見である。
本稿ではヘテロスケダスティックデータセットに対するデータ依存正規化手法を提案する。
論文 参考訳（メタデータ） (2020-06-29T01:09:50Z)
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。