PML：面向长尾年龄分类的渐进间隔损失
计算机视觉与模式识别
2021-03-04 v1
摘要
本文提出一种渐进间隔损失（PML）方法，用于无约束人脸年龄分类。常规方法强假设每个类别拥有充足样本以勾勒其数据分布，可能导致在年龄类间训练样本稀疏时的偏置预测。相反，我们的PML旨在通过施加一对间隔自适应细化年龄标签模式，充分纳入类内方差、类间方差与类中心之间的中间差异。我们的PML典型地结合顺序间隔与变分间隔，同时嵌入全局调优的深度神经网络范式。更具体地，顺序间隔学习利用真实世界年龄标签的相关关系。相应地，变分间隔被用于最小化头部类对尾部样本预测的误导影响。此外，我们的优化仔细寻求一系列指示课程以实现鲁棒且高效的模型训练。在三个面部老化数据集上的大量实验结果表明，与最先进方法相比，我们的PML取得了引人注目的性能。代码将公开。
引用
@article{arxiv.2103.02140,
title = {PML: Progressive Margin Loss for Long-tailed Age Classification},
author = {Zongyong Deng and Hao Liu and Yaoxing Wang and Chenyang Wang and Zekuan Yu and Xuehong Sun},
journal= {arXiv preprint arXiv:2103.02140},
year = {2021}
}
备注
Accepted at CVPR2021