論文の概要: Few-Shot Personalized Age Estimation

• arxiv url: http://arxiv.org/abs/2604.09125v1
• Date: Fri, 10 Apr 2026 09:07:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.790084
• Title: Few-Shot Personalized Age Estimation
• Title（参考訳）: 短距離パーソナライズドエイジ推定
• Authors: Jakub Paplhám, Vojtěch Franc, Artem Moroz,
• Abstract要約: 既存の年齢推定法では、各顔を独立したサンプルとして扱い、外見から年齢までのグローバルマッピングを学習する。 OpenPAEは、厳格な評価プロトコルを備えた$N$のパーソナライズされた年齢推定のための最初のオープンベンチマークである。
• 参考スコア（独自算出の注目度）: 4.14197005718384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing age estimation methods treat each face as an independent sample, learning a global mapping from appearance to age. This ignores a well-documented phenomenon: individuals age at different rates due to genetics, lifestyle, and health, making the mapping from face to age identity-dependent. When reference images of the same person with known ages are available, we can exploit this context to personalize the estimate. The only existing benchmark for this task (NIST FRVT) is closed-source and limited to a single reference image. In this work, we introduce OpenPAE, the first open benchmark for $N$-shot personalized age estimation with strict evaluation protocols. We establish a hierarchy of increasingly sophisticated baselines: from arithmetic offset, through closed-form Bayesian linear regression, to a conditional attentive neural process. Our experiments show that personalization consistently improves performance, that the gains are not merely domain adaptation, and that nonlinear methods significantly outperform simpler alternatives. We release all models, code, protocols, and evaluation splits.
• Abstract（参考訳）: 既存の年齢推定法では、各顔を独立したサンプルとして扱い、外見から年齢までのグローバルマッピングを学習する。 この現象は、遺伝学、ライフスタイル、健康などによって異なる年齢の個人が顔から年齢へのマッピングを依存させるという、よく文書化された現象を無視している。 同じ年齢の人物の参照画像が利用可能であれば、この文脈を利用して見積もりをパーソナライズすることができる。 このタスクのための唯一のベンチマーク(NIST FRVT)はクローズドソースであり、単一の参照画像に制限されている。 本研究では,厳密な評価プロトコルを用いたN$$-shotパーソナライズされた年齢推定のための最初のオープンベンチマークであるOpenPAEを紹介する。 我々は、算術オフセットから閉形式ベイズ線形回帰、条件付き注意神経過程に至るまで、ますます洗練されたベースラインの階層を確立する。 実験の結果、パーソナライゼーションはパフォーマンスを継続的に改善し、ゲインは単なるドメイン適応ではなく、非線形手法はより単純な方法よりもはるかに優れていることがわかった。 すべてのモデル、コード、プロトコル、評価の分割をリリースします。

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)
• Semantic Self-adaptation: Enhancing Generalization with a Single Sample [45.111358665370524]
  セマンティックセグメンテーションのための自己適応型アプローチを提案する。 整合正則化を用いて畳み込み層のパラメータを入力画像に微調整する。 実験により, 自己適応は訓練時のモデル正規化の確立した実践を補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-08-10T12:29:01Z)
• 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)
• On-the-Fly Test-time Adaptation for Medical Image Segmentation [63.476899335138164]
  ソースモデルをテスト時にターゲットデータに適応させることは、データシフト問題に対する効率的な解決策である。 本稿では、各畳み込みブロックに適応バッチ正規化層を設けるAdaptive UNetという新しいフレームワークを提案する。 テスト期間中、モデルは新しいテストイメージのみを取り込み、ドメインコードを生成して、テストデータに従ってソースモデルの特徴を適応させる。
  論文  参考訳（メタデータ） (2022-03-10T18:51:29Z)
• 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)
• Hierarchical Attention-based Age Estimation and Bias Estimation [16.335191345543063]
  顔画像に基づく年齢推定のための新しい深層学習手法を提案する。 提案手法は,現代的スキームを上回り,新しい最先端の年齢推定精度を提供する。
  論文  参考訳（メタデータ） (2021-03-17T19:41:34Z)
• 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)

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。