用于年龄估计的深度可微随机森林
计算机视觉与模式识别
2019-08-26 v2
摘要
基于人脸图像的年龄估计通常被视为标签分布学习或回归问题，因为衰老是一个渐进过程。其主要挑战在于，由于同一年龄不同人面部外观差异巨大以及衰老的非平稳特性，与年龄相关的面部特征空间是非齐次的。在本文中，我们提出两种深度可微随机森林方法，即深度标签分布学习森林（DLDLF）和深度回归森林（DRF），用于年龄估计。二者均将分裂节点连接到卷积神经网络（CNNs）的顶层，并通过在分裂节点联合学习输入依赖的数据划分、在叶节点联合学习年龄分布来处理非齐次数据。该联合学习遵循交替策略：（1）固定叶节点，通过反向传播优化分裂节点和 CNN 参数；（2）固定分裂节点，通过变分边界（Variational Bounding）优化叶节点。分别在分裂节点和叶节点的学习中引入两个确定性退火（Deterministic Annealing）过程，以避免糟糕的局部最优并获得不依赖初值的更好的树参数估计。实验结果表明，DLDLF 和 DRF 在三个年龄估计数据集上取得了最先进的性能。
引用
@article{arxiv.1907.10665,
title = {Deep Differentiable Random Forests for Age Estimation},
author = {Wei Shen and Yilu Guo and Yan Wang and Kai Zhao and Bo Wang and Alan Yuille},
journal= {arXiv preprint arXiv:1907.10665},
year = {2019}
}
备注
Accepted by TPAMI. arXiv admin note: substantial text overlap with arXiv:1712.07195