基于 CNN 的特征在年龄与性别分类中的可迁移性如何？
计算机视觉与模式识别
2016-10-04 v1
摘要
年龄和性别是人脸识别的互补软生物特征。成功地对在真实世界条件下拍摄的人脸图像进行年龄和性别估计，有助于改进自然环境下的人脸识别结果。在本研究中，为了实现自然环境下的鲁棒年龄和性别分类，我们利用了基于深度卷积神经网络的特征表示。我们探索了现有深度卷积神经网络（CNN）模型在年龄和性别分类中的可迁移性。采用通用的类 AlexNet 架构和特定领域的 VGG-Face CNN 模型，并使用为非受控环境下的年龄和性别分类准备的 Adience 数据集进行微调。此外，还利用了特定任务的 GilNet CNN 模型并将其作为基线方法，以便与迁移模型进行比较。实验结果表明，两个迁移的深度 CNN 模型均优于 GilNet CNN 模型（后者是 Adience 数据集上 SOTA 的年龄和性别分类方法），准确率分别绝对提升了 7% 和 4.5%。这一结果表明，迁移深度 CNN 模型可以提供比特定任务 CNN 模型更好的分类性能，后者层数有限且使用有限数据从头训练，如 GilNet 的情况。与通用的类 AlexNet 模型相比，特定领域的 VGG-Face CNN 模型被发现更有用，并且在年龄和性别分类任务上均提供了更好的性能，这表明从更接近的领域进行迁移更有用。
引用
@article{arxiv.1610.00134,
title = {How Transferable are CNN-based Features for Age and Gender Classification?},
author = {Gökhan Özbulak and Yusuf Aytar and Hazım Kemal Ekenel},
journal= {arXiv preprint arXiv:1610.00134},
year = {2016}
}
备注
12 pages, 3 figures, 2 tables, International Conference of the Biometrics Special Interest Group (BIOSIG) 2016