基于深度学习多任务与标签分布的年龄估计研究

人脸通常受环境、习惯、基因、性别、种族等内外因素共同影响,因而准确的面部年龄估计是一个很具挑战性的课题.鉴于此,提出一种基于性别辅助任务的双分支年龄估计模型CUT-ResNet50,将标签分布学习应用于年龄估计,探究性别因素对年龄估计任务的影响.通过将共享参数层提取的低级特征输入到性别网络分支以提取性别特征后,再与共享参数层的低级特征融合,作为年龄网络分支的输入.引入标签分布学习,利用数据集相邻样本信息生成年龄的分布信息,减少人脸样本分布不均衡对年龄估计性能的影响,并重新训练双分支年龄估计模型.在公开的MORPH-II数据集与UTKFace数据集上,MAE分别达2.1和4.1,这表明添加了性别辅助任务的多任务学习与标签分布学习可以提升年龄估计准确度,从而证明了新设计模型的有效性.