GroupFace:基于多跳注意力图卷积网络与组感知边际优化的不平衡年龄估计

随着计算机视觉的最新进展,年龄估计的整体准确率已显著提高。然而,由于最常见的方法未考虑年龄估计数据集中的类别不平衡问题,它们在识别长尾组别时存在较大偏差。为了在长尾组别中实现高质量的不平衡学习,主导解决方案在于特征提取器学习不同组别的判别性特征,并且分类器能够基于这些判别性特征为不同组别提供适当且无偏的边际。因此,在本文中,我们提出了一种创新的协作学习框架(GroupFace),该框架集成了多跳注意力图卷积网络和基于强化学习的动态组感知边际策略。具体而言,为了提取不同组别的判别性特征,我们设计了一个增强的多跳注意力图卷积网络。该网络能够捕获不同距离上相邻节点的交互,融合局部与全局信息以建模面部深度老化,并探索不同组别的多样化表示。此外,为了进一步解决类别不平衡问题,我们设计了一种基于强化学习的动态组感知边际策略,以为不同组别提供适当且无偏的边际。该策略将样本划分为四个年龄组,并考虑采用马尔可夫决策过程来识别各种年龄组的最佳边际。在智能体的引导下,可以同时减少不同组别间的特征表示偏差和分类边际偏差,平衡类间可分性与类内紧致性。经过联合优化,我们的架构在几个年龄估计基准数据集上取得了优异的性能。