PatchBMI-Net：基于轻量级人脸块集成的 BMI 预测网络
计算机视觉与模式识别
2023-12-01 v1 人工智能
机器学习
摘要
由于仅美国就有 9330 万成年人受肥胖这一令人担忧的趋势影响，身体质量指数（BMI）和体重在各种健康监测应用中引起了极大关注。因此，若干研究提出了基于人脸图像的自诊断 BMI 预测方法用于健康体重监测。这些方法大多使用基于卷积神经网络（CNN）的回归基线，如 VGG19、ResNet50 和 Efficient-NetB0，从人脸图像预测 BMI。然而，这些重量级 CNN 模型的高计算需求限制了它们在资源受限移动设备上的部署，从而阻碍了使用智能手机进行体重监测。本文旨在开发一种基于轻量级人脸块的集成模型（PatchBMI-Net）用于 BMI 预测，以促进智能手机上的部署与体重监测。在 BMI 标注的人脸图像数据集上的大量实验表明，我们提出的 PatchBMI-Net 模型可取得 [3.58, 6.51] 范围内的平均绝对误差（MAE），参数规模约为 330 万。与为从人脸图像预测 BMI 而训练的重量级模型（如 ResNet-50 和 Xception）交叉对比，我们提出的 PatchBMI-Net 取得了相当的 MAE，同时模型规模减小约 5.4 倍，在 Apple-14 智能手机上部署时平均推理时间减少约 3 倍。从而展示了性能效率以及用于智能手机应用端侧部署和体重监测的低延迟。
引用
@article{arxiv.2311.18102,
title = {PatchBMI-Net: Lightweight Facial Patch-based Ensemble for BMI Prediction},
author = {Parshuram N. Aarotale and Twyla Hill and Ajita Rattani},
journal= {arXiv preprint arXiv:2311.18102},
year = {2023}
}
备注
7 pages,3 figures