通过集成学习改进成年边缘期人脸年龄估计
计算机视觉与模式识别
2019-07-03 v1 机器学习
摘要
在成年与非成年边缘期受试者上实现高性能人脸年龄估计一直是一项挑战。若干研究使用了从婴儿到老年人的不同方法，并采用了不同数据集来测量介于 1.47 到 8 年之间的平均绝对误差（MAE）。算法在该边缘期的弱点正是本文的动机。在我们的方法中，我们开发了一种集成技术，结合我们在 Deep Expectation（DEX）模型上微调的深度学习模型（DS13K），提高了未成年人估计的准确性。我们在 16 至 17 岁年龄组取得了 68% 的准确率，是该年龄范围内 DEX 准确率的 4 倍。我们还对现有的基于云和离线的面部年龄预测服务进行了评估，例如 Amazon Rekognition、Microsoft Azure Cognitive Services、How-Old.net 和 DEX。
引用
@article{arxiv.1907.01427,
title = {Improving Borderline Adulthood Facial Age Estimation through Ensemble Learning},
author = {Felix Anda and David Lillis and Aikaterini Kanta and Brett A. Becker and Elias Bou-Harb and Nhien-An Le-Khac and Mark Scanlon},
journal= {arXiv preprint arXiv:1907.01427},
year = {2019}
}