論文の概要: MobileAgeNet: Lightweight Facial Age Estimation for Mobile Deployment

• arxiv url: http://arxiv.org/abs/2604.17007v1
• Date: Sat, 18 Apr 2026 14:37:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.283321
• Title: MobileAgeNet: Lightweight Facial Age Estimation for Mobile Deployment
• Title（参考訳）: MobileAgeNet: モバイル展開のための軽量顔年齢推定
• Authors: Arun Kumar, Aswathy Baiju, Radu Timofte, Dmitry Ignatov,
• Abstract要約: MobileAgeNetはUTKFaceのホールドアウトテストセットで4.65年のMAEを達成する軽量な年齢回帰フレームワークである。 トレーニング済みのMobileNetV3-Largeバックボーンとコンパクトなレグレッションヘッドを組み合わせて構築されており、モバイルデバイス上でリアルタイムの予測を可能にする。
• 参考スコア（独自算出の注目度）: 45.61101094143135
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Mobile deployment of facial age estimation requires models that balance predictive accuracy with low latency and compact size. In this work, we present MobileAgeNet, a lightweight age-regression framework that achieves an MAE of 4.65 years on the UTKFace held-out test set while maintaining efficient on-device inference with an average latency of 14.4 ms measured using the AI Benchmark application. The model is built on a pretrained MobileNetV3-Large backbone combined with a compact regression head, enabling real-time prediction on mobile devices. The training and evaluation pipeline is integrated into the NN LEMUR Dataset framework, supporting reproducible experimentation, structured hyperparameter optimization, and consistent evaluation. We employ bounded age regression together with a two-stage fine-tuning strategy to improve training stability and generalization. Experimental results show that MobileAgeNet achieves competitive accuracy with 3.23M parameters, and that the deployment pipeline from PyTorch training through ONNX export to TensorFlow Lite conversion - preserves predictive behavior without measurable degradation under practical on-device conditions. Overall, this work provides a practical, deployment-ready baseline for mobile-oriented facial age estimation.
• Abstract（参考訳）: 顔の年齢推定のモバイル展開には、予測精度と低レイテンシとコンパクトサイズとのバランスをとるモデルが必要である。 本稿では,UTKFaceのホールドアウトテストセット上で4.65年のMAEを達成し,AIベンチマークアプリケーションを用いて平均14.4msのレイテンシでデバイス上での効率的な推論を維持可能な,軽量な年齢回帰フレームワークであるMobileAgeNetを提案する。 このモデルは、トレーニング済みのMobileNetV3-Largeバックボーンとコンパクトな回帰ヘッドを組み合わせることで、モバイルデバイス上でリアルタイムの予測を可能にする。 トレーニングと評価パイプラインはNN LEMURデータセットフレームワークに統合され、再現可能な実験、構造化ハイパーパラメータ最適化、一貫した評価をサポートする。 トレーニングの安定性と一般化を改善するために,有界年齢回帰と2段階の微調整戦略を併用した。 実験の結果、MobileAgeNetは3.23Mパラメータで競合精度を達成し、PyTorchトレーニングからONNXエクスポートからTensorFlow Lite変換へのデプロイメントパイプラインは、実用的なオンデバイス条件下で測定可能な劣化を伴わずに予測動作を保ちます。 全体として、この研究は、モバイル指向の顔年齢推定のための実用的でデプロイ可能なベースラインを提供する。

関連論文リスト

• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• Rep Smarter, Not Harder: AI Hypertrophy Coaching with Wearable Sensors and Edge Neural Networks [0.9939775124582318]
  単一手首搭載慣性測定器(IMU)のみを用いた抵抗運動時の近距離損傷状態のリアルタイムフィードバックシステムを提案する。 ResNetベースのモデルセグメントは、6軸IMUデータからリアルタイムで繰り返し、分類モデルは、ほぼ障害状態に対応する運動窓を特定する。 Raspberry Pi 5への展開は平均で112ms、iPhone 16では23.5msとなり、エッジ計算の可能性が確認された。
  論文  参考訳（メタデータ） (2025-12-05T01:49:47Z)
• Evaluating the Performance of Deep Learning Models in Whole-body Dynamic 3D Posture Prediction During Load-reaching Activities [0.0]
  2つの時系列モデルは、双方向長短期メモリ(BLSTM)とトランスフォーマーアーキテクチャを用いて訓練された。 その結果, 新しいコスト関数により, アームモデルと脚モデルでそれぞれ約8%, 21%の予測誤差が減少した。
  論文  参考訳（メタデータ） (2025-11-25T18:40:48Z)
• DreamPRM-1.5: Unlocking the Potential of Each Instance for Multimodal Process Reward Model Training [28.02129783121819]
  DreamPRM-1.5は、インスタンスレベルの再重み付けフレームワークで、双方向の最適化を通じて、トレーニング例毎に適応的な重み付けを割り当てる。 MMMU検証セットで84.6の精度、R-Bench-Vで31.3の精度を実現し、リードバックボーンと組み合わせると、公開マルチモーダル推論リーダーボードで1位の結果が得られる。
  論文  参考訳（メタデータ） (2025-09-05T23:42:01Z)
• Comparative Analysis of Lightweight Deep Learning Models for Memory-Constrained Devices [0.0]
  CIFAR-10、CIFAR-100、Tiny ImageNetの3つの異なるデータセットで、最先端の5つのアーキテクチャがベンチマークされている。 モデルは、分類精度、推測時間、浮動小数点演算(FLOP)、モデルサイズという4つの重要なパフォーマンス指標を用いて評価される。
  論文  参考訳（メタデータ） (2025-05-06T08:36:01Z)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
  我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。 本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching [77.133400999703]
  相関に基づくステレオマッチングは優れた性能を達成した。 固定モデルによる現在のメソッドは、さまざまなデータセットで均一に動作しない。 本稿では,ロバストなステレオマッチングのための相関を動的に計算する新しい視点を提案する。
  論文  参考訳（メタデータ） (2023-07-26T09:47:37Z)
• Fast-Convergent Federated Learning [82.32029953209542]
  フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。 本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-26T14:37:51Z)
• A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration Framework [56.57225686288006]
  モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。 従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。 プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-13T23:52:03Z)

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。