MobileAgeNet：面向移动端的轻量级人脸年龄估计
计算机视觉与模式识别
2026-04-21 v1 人工智能
摘要
面向移动端的人脸年龄估计需要兼顾预测精度与低延迟及紧凑尺寸。本文提出MobileAgeNet，一个轻量级年龄回归框架，在UTKFace独立测试集上实现4.65年的平均绝对误差(MAE)，同时保持高效的设备内推理，平均延迟为14.4毫秒，基于AI Benchmark应用程序测得。该模型基于预训练的MobileNetV3-Large主干网络，结合紧凑的回归头，实现移动设备上的实时预测。训练和评估流程集成到NN LEMUR数据集框架中，支持可重复的实验、结构化的超参数优化和一致的评估。我们采用有界年龄回归结合两阶段微调策略，以提高训练稳定性和泛化能力。实验结果表明，MobileAgeNet在仅有323万参数的情况下实现了具竞争力的精度，且从PyTorch训练通过ONNX导出到TensorFlow Lite转换的部署管道在实际设备条件下能保持预测行为而无可测的性能下降。总体而言，本工作为面向移动端的人脸年龄估计提供了一个实用且部署就绪的基线。
关键词
引用
@article{arxiv.2604.17007,
title = {MobileAgeNet: Lightweight Facial Age Estimation for Mobile Deployment},
author = {Arun Kumar and Aswathy Baiju and Radu Timofte and Dmitry Ignatov},
journal= {arXiv preprint arXiv:2604.17007},
year = {2026}
}
备注
9 Pages including references, 3 figures