面向人脸年龄估计的深度融合神经网络

被引：7

作者：

孙宁 ^{[1
]}

顾正东 ^{[1
,2
]}

刘佶鑫 ^{[1
]}

韩光 ^{[1
]}

机构：

[1] 不详

[2] 南京邮电大学宽带无线通信技术教育部工程研究中心

[3] 不详

[4] 南京邮电大学通信与信息工程学院

[5] 不详

来源：

中国图象图形学报 | 2018年 / 01期

关键词：

人脸年龄估计; 深度融合网络; 逐网络迭代训练; 迁移学习;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算]; TP391.41 [];

学科分类号：

080203 ;

摘要：

目的为了提高人脸图像年龄估计的精度,提出一种端对端可训练的深度神经网络模型来进行人脸年龄估计。方法该网络模型由多个卷积神经网络(CNN)和一个深度置信网络(DBN)堆叠而成,称为深度融合网络(DFN)。首先使用多个并联的CNN提取人脸图像多个区域的外观特征,将得到的特征进行串接输入一个DBN网络进行非线性融合。为了实现DFN的端到端的整体训练,提出一种逐网络迭代训练(INWT)的机制。为了降低过拟合效应,那些对应人脸局部图像的CNN经过多次迭代迁移学习实现面向人脸年龄估计任务的训练。完成对DFN中所有CNN和DBN的预训练后,再进行全网络端到端的整体精调。结果在两个人脸年龄图像库MORPHⅡ和FG-NET上对本文方法进行测试,实验结果显示基于DFN的人脸年龄估计方法能在两个人脸图像库中分别取得平均绝对误差(MAE)等于3.42和4.14的估计精度,与目前主流的年龄估计算法,如基于浅层学习的CA-SVR方法(两个数据库上取得的MAE分别等于5.88和4.75),基于深度学习的DeepRank+方法(MORPHⅡ数据库上取得的MAE为3.49)和Deep-CS-LBMFL方法(FG-NET数据库上取得的MAE为4.22)等相比,估计精确度明显提高。结论本文提出基于深度融合网络的人脸年龄估计方法与当前大部分基于深度神经网络的主流算法相比具有明显的优势。

引用

页码：133 / 143

页数：11

共 4 条

[1] Automatic age estimation based on deep learning algorithm[J] . Yuan Dong,Yinan Liu,Shiguo Lian. Neurocomputing . 2015
[2] A deep analysis on age estimation[J] . Ivan Huerta,Carles Fernández,Carlos Segura,Javier Hernando,Andrea Prati. Pattern Recognition Letters . 2015
[3] Age classification from facial images
Kwon, YH
Lobo, ND
[J]. COMPUTER VISION AND IMAGE UNDERSTANDING, 1999, 74 (01) : 1 - 21
[4] A comparative evaluation of regression learning algorithms for facial age estimation .2 Fernndez C,Huerta I,Prati A. International Workshop . 2015

← 1 →