从年龄估计到年龄不变人脸识别：基于序增强对比学习的通用年龄特征提取
计算机视觉与模式识别
2025-08-05 v2
摘要
年龄特征的通用提取对于年龄相关的人脸分析任务（如年龄估计和年龄不变人脸识别）至关重要。尽管近期模型在单一数据集实验中表现出色，但在跨数据集评估时性能显著下降。大多数模型未能提取通用年龄特征，原因是它们仅尝试直接映射提取的特征与训练年龄标签，而未显式建模衰老的自然序数过程。本文提出序增强对比学习（Order-Enhanced Contrastive Learning, OrdCon），这是一种专为序数属性（如年龄）设计的新型对比学习框架。具体而言，为提取通用特征，OrdCon 将两个特征的方向向量与自然衰老方向或其相反方向对齐，以建模衰老的序数过程。为进一步提升泛化性，OrdCon 采用新型软代理匹配损失作为第二个对比目标，确保特征位于每个年龄簇中心，同时最小化类内方差，并按比例远离其他簇。通过建模衰老过程，该框架通过改善同一类的样本对齐度并减少方向向量的差异性来提升泛化性。在年龄估计和 AIFR 的各种基准数据集上进行的同数据集实验表明，我们的方法在性能上与最新方法持平。跨数据集实验中，OrdCon 在年龄估计任务中平均将平均绝对误差降低约 1.38，在 AIFR 中将平均准确率提升 1.87%。
引用
@article{arxiv.2501.01760,
title = {From Age Estimation to Age-Invariant Face Recognition: Generalized Age Feature Extraction Using Order-Enhanced Contrastive Learning},
author = {Haoyi Wang and Victor Sanchez and Chang-Tsun Li and Nathan Clarke},
journal= {arXiv preprint arXiv:2501.01760},
year = {2025}
}
备注
Accepted by IEEE Transactions on Information Forensics and Security