基于深度 RoR 架构的自然场景年龄组与性别估计
计算机视觉与模式识别
2017-10-10 v1
摘要
从非约束条件下获取的人脸图像中自动预测年龄组和性别，是许多现实应用中的一项重要且具有挑战性的任务。然而，在自然场景基准上使用手工设计特征的常规方法，因无法应对非约束图像中的大幅变化而难以令人满意。卷积神经网络（CNN）凭借其强大的特征表示能力，在一定程度上缓解了这一困难。本文提出了一种新的基于 CNN 的年龄组与性别估计方法，该方法利用残差网络之残差网络（RoR），在年龄组和性别分类方面展现出优于其他 CNN 架构的优化能力。此外，基于对年龄组特征的观察，我们提出了两种简洁的机制以进一步提升年龄估计的性能。为进一步提高性能并缓解过拟合问题，RoR 模型首先在 ImageNet 上进行预训练，随后在 IMDB-WIKI-101 数据集上进行微调以进一步学习人脸图像特征，最后在 Adience 数据集上进行微调。我们的实验证明了 RoR 方法在自然场景年龄与性别估计中的有效性，其性能优于其他 CNN 方法。最终，结合两种机制的 RoR-152+IMDB-WIKI-101 模型在 Adience 基准上取得了新的最优结果。
引用
@article{arxiv.1710.02985,
title = {Age Group and Gender Estimation in the Wild with Deep RoR Architecture},
author = {Ke Zhang and Ce Gao and Liru Guo and Miao Sun and Xingfang Yuan and Tony X. Han and Zhenbing Zhao and Baogang Li},
journal= {arXiv preprint arXiv:1710.02985},
year = {2017}
}
备注
accepted by IEEE ACCESS