基于深度CNN与迁移学习的年龄与性别预测
计算机视觉与模式识别
2021-10-26 v1 机器学习
摘要
过去一二十年间,图像数量呈现爆发式增长。随着摄像设备的日益普及以及自拍的兴起,世界上可用的面部图像数量急剧上升。因此,利用面部图像自动预测人的年龄与性别引起了越来越多的关注。本文聚焦于这一具有挑战性的问题。具体而言,本文关注基于单人静态面部图像的年龄估计、年龄分类与性别分类。我们针对每个问题训练了不同的模型,并比较了构建自定义CNN(卷积神经网络)架构与使用多种CNN架构作为特征提取器(即基于VGGFace预训练的VGG16、基于VGGFace2数据集预训练的ResNet50与SE-ResNet50)并在所提取特征上训练的效果。我们还给出了在取得最佳效果的特征提取上各类机器学习算法的基线性能。结果表明,即便是在此类提取特征上训练的简易线性回归,其在年龄估计上的表现也优于从头训练CNN、ResNet50与ResNeXt50。
引用
@article{arxiv.2110.12633,
title = {Age and Gender Prediction using Deep CNNs and Transfer Learning},
author = {Vikas Sheoran and Shreyansh Joshi and Tanisha R. Bhayani},
journal= {arXiv preprint arXiv:2110.12633},
year = {2021}
}
备注
12 pages, 2 figures, 11 tables