摘要：在基于传统的排序、回归的年龄估计方法中,存在不能有效利用人脸的演化特征、构建不同排序标签之间的相关性,且二分类方法进行年龄估计会产生排序不一致的问题。基于上述问题,提出一致性保留的集成排序年龄估计方法,充分利用年龄与排序值之间的相关性,抑制排序不一致问题;并提出新指标——排序不一致样本比例,用于评估二分类排序方法中排序不一致问题。首先,通过设计的编码方法将年龄类别转换成排序矩阵形式;然后,使用残差网络ResNet34(Residual Network)特征提取网络提取面部特征,再通过提出的编码学习模块进行编码学习;最后,通过基于度量方法的排序解码器将网络预测结果解码成图片的预测年龄。在MORPHⅡ数据集上的实验结果达到平均绝对误差(MAE)2.18,并在其他公开数据集上与同样基于排序、有序回归方法的OR-CNN(Ordinal Regression with CNN)、CORAL(COnsistent RAnk Logits)等方法相比,所提方法有更准确的预测结果,同时抑制了排序不一致样本的比例,排序不一致度量性能比OR-CNN方法提升了约65%。

摘要：人脸年龄特征的变化是有序且缓慢的,同一个体相近年龄的脸部年龄特征是相似的。基于标记分布学习的年龄估计就是利用这个特点而设计的一种方法,实现了从年龄单目标预测到年龄标记分布向量预测的学习任务的转变,这一定程度上解决了人脸年龄估计中数据不全面的问题。但现有的基于最大熵回归模型的标记分布学习存在不能构建统一的标记分布预测模型和计算复杂时间长等问题,另一种基于神经网络的算法容易发生过拟合且神经网络的结构不容易被理解。为解决这些问题,提出基于核偏最小二乘回归模型的标记分布学习来解决人脸年龄估计问题。核偏最小二乘回归模型对数据分布没有前提假定,并且可以解决非线性问题。在FG-NET和MORPHⅡ数据集的实验结果表明,相较于其他对比方法,此法有更小的年龄估计误差同时提高了计算效率。

摘要：年龄是人的固有属性,在人的社会交往中起到了基础性作用,因此人脸图像的年龄估计是人工智能领域的重要问题之一.为了解决非受限条件下人脸图像年龄估计困难的问题,提出一种非受限条件下的多级残差网络人脸年龄估计方法.首先针对高分辨率图像数据集构建多级残差神经网络模型;然后采用Image Net数据集对多级残差网络进行预训练,以获得图像的基本特征表达;最后在非受限人脸年龄数据集上结合随机深度算法对网络模型进行微调.在非受限的Adience人脸年龄分类数据集上进行年龄分类对比实验的结果表明,该方法能够明显地提高非受限条件下人脸年龄估计的准确率,并在提高网络学习能力的同时有效地抑制小规模数据集带来的过拟合问题.

摘要：本文提出了一种新型的基于人脸五官辅助的深度年龄估计方法,将传统的人脸五官区域特征提取加分类器设计方法与基于深层卷积神经网络(convolutional neural network,CNN)的端到端分类方法进行融合来解决年龄估计问题,增强了系统模型的泛化能力.该方法将面部关键点生成的局部对齐的人脸图像块作为CNN的输入,直接从图像的像素点评估年龄,采用多尺度分析网络结构极大地提高了性能,同时又利用传统算法增强了五官区域的信息.最后通过在MORPH AlbumⅡ上的实验表明文中提出方法比其他同类研究方法更加优秀.

摘要：针对使用传统神经网络算法进行人脸年龄估计可能会带来梯度弥散或梯度爆炸引起网络退化的风险,提出了选择性多层融合的卷积神经网络结构(SMLF-Net,Selective multilayer fusion convolutional neural network)。首先在SMLF-Net设计中融合了类似SE(Squeeze-and-Excitation Networks)结构增强了模型的非线性和特征重标定,其次为了提高深层网络模型的分类精度,引入了类似RE(ResNets)结构解决网络退化问题,最后根据卷积核移动步长动态选择网络结构避免网络参数过多。该方法通过构建RE与SE结构提取人脸的高维、中维、低维特征,并使用BN(Batch Normalization)操作降低网络训练难度。结果在扩充亚洲数据后的IMDB-WIKI数据集上对本文方法进行训练,并在树莓派上进行测试,结果显示SMLF-Net方法能够取得平均绝对误差(MAE)为3.09的估计精度,优于Google InceptionNet方法(MAE)为3.32和ShuffleNet方法(MAE)为3.54,充分证实了本文所提方法的先进性和有效性。

摘要：在人脸年龄特征提取方面,充分利用卷积神经网络在图像应用领域的优良特性,使用深度学习方法进行人脸年龄特征提取,采用因子分析方法进行特征降维提取鲁棒性特征。在年龄估计函数学习方面,充分利用年龄阶段性和次序性研究基于秩的年龄估计学习方法,在此基础上提出分而治之的人脸年龄估计器。利用公共年龄库FG-NET和MORPH Album 2进行实验,其结果表明,该特征提取方法比传统的年龄特征提取方法更鲁棒,分而冶之年龄估计器性能优于经典的SVM和SVR。

摘要：提出了一种基于多层PCA网络(MPCANet)的深度学习模型来进行年龄估计.它是基于卷积神经网的结构来设计的,并且用来提取年龄特征.MPCANet是主成分分析网络(PCANet)的一种改进,它是最近提出的一种深度学习算法,MPCANet模型结构组成的成分:(1)卷积滤波层是采用多层级联主成分分析(PCA),(2)非线性层则采用二进制哈希,(3)特征抽取层使用直方图统计方法.使用核支持向量回归(K-SVR)进行估计年龄值.实验分别在两个数据库(FG-NET and MORPH)上进行,实验结果表明该方法比目前最新的方法表现得更好.

摘要：针对以往利用人脸图像单方面进行性别识别或年龄估计,提出了利用公共特征、私有特征同时进行性别识别与年龄估计。用对光照、尺度变化具有很强鲁棒性的Gabor小波变换提取人脸特征。降维后的有效人脸特征分成公共特征、私有特征两部分,公共特征用于性别识别,私有特征进行年龄估计。在FG-NET人脸库及自建OFID人脸库中用RBF神经网络进行了实验,取得了良好效果。

摘要：针对年龄估计算法中使用单一标签编码方式的问题,提出一种基于高斯分布的标签分布取代原有的编码方式,通过这种方式,一张人脸图像不仅可以用于它本身年龄的学习,也可用于其相邻年龄的学习。设计一种与之相适应的卷积神经网络,通过标签的概率分布与输出的类别概率之间的K-L距离对网络进行训练,网络结构较小,所需训练时间更短,即使在训练图片数量有限的情况下依然能保证较好的准确率。

摘要：基于人脸图像的性别识别和年龄估计，顾名思义也就是根据人的脸部图像来对人的性别和年龄进行判断和估算。性别识别和年龄估计有着广泛的潜在应用领域，因而备受关注，成为重要的研究课题。该文基于已有的研究成果，进一步深入探究性别识别和年龄估算问题。