通用与长尾年龄估计：一石二鸟的方法
计算机视觉与模式识别
2023-07-20 v1
摘要
面部年龄估计因多样的应用场景而受到大量关注。大多数现有研究平等对待每个样本，旨在降低整个数据集的平均估计误差，可概括为通用年龄估计。然而，由于数据集中普遍存在的长尾分布，平等对待所有样本将不可避免地使模型偏向头部类（通常是占多数的成人样本）。受此驱动，一些工作建议平等对待每个类以提升尾部类（占少数的样本）的性能，可概括为长尾年龄估计。然而，长尾年龄估计通常面临性能权衡，即通过牺牲头部类来实现尾部类的提升。本文中，我们的目标是设计一个统一框架在两项任务上均表现良好，一石二鸟。为此，我们提出一个名为 GLAE 的简洁、有效且灵活的训练范式，其包含两方面。我们的 GLAE 在 Morph II 上取得了惊人提升，分别达到 1.14 和 1.27 年的最低 MAE 和 CMAE。与先前最佳方法相比，MAE 降低达 34%，这是前所未有的改进，且 MAE 首次接近 1 岁。在其他年龄基准数据集（包括 CACD、MIVIA 和 Chalearn LAP 2015）上的大量实验也表明 GLAE 显著优于最先进方法。
引用
@article{arxiv.2307.10129,
title = {General vs. Long-Tailed Age Estimation: An Approach to Kill Two Birds with One Stone},
author = {Zenghao Bao and Zichang Tan and Jun Li and Jun Wan and Xibo Ma and Zhen Lei},
journal= {arXiv preprint arXiv:2307.10129},
year = {2023}
}