考虑代表性不足样本的自步深度回归森林

深度判别模型（如深度回归森林、深度神经决策森林）近期在解决人脸年龄估计和头部姿态估计等问题上取得了显著成功。现有大多数方法通过学习判别特征或重加权样本，追求鲁棒且无偏的解。我们认为更可取的是像人类一样逐渐学习判别，因此我们求助于自步学习 (SPL)。随后出现了一个自然问题：自步机制能否引导深度判别模型获得更鲁棒且更无偏的解？为此，本文提出了一种新的深度判别模型——考虑代表性不足样本的自步深度回归森林 (SPUDRFs)。它从公平性这一新视角处理了 SPL 中的基本排序与选择问题。该范式具有基础性，且可轻松与多种深度判别模型 (DDMs) 相结合。在两个计算机视觉任务（即人脸年龄估计和头部姿态估计）上的大量实验证明了 SPUDRFs 的有效性，并取得了 SOTA 性能。