AI神算子：高效Group-n编解码策略实现年龄估计

今日聚焦

自2015年，微软推出的how old（年龄预测网站）风靡全球后，年龄估计技术得大极大的发展，各大人脸识别企业都相继公开了各自的API。其核心技术深度学习在年龄估计中的研究得到了人们的广泛关注和研究，取得了丰硕的理论和应用成果。自动化所万军等研究人员针对年龄老化缓慢特性，提出了一种高效的年龄估计编解码策略实现精确的年龄估计。

由于种族、性别、饮食习惯、生活环境等内外在因素的影响，可能造成不同个体的年龄老化存在较大差异，这也导致了基于人脸图像的年龄精确估计是一个非常具有挑战的研究课题。为了充分挖掘年龄老化过程，中科院自动化所万军等研究人员提出了一种高效的Group-n编解码策略，实现对年龄的精确估计。

因为年龄老化是一个缓慢但非静态的过程，所以相邻年龄的人脸图片的老化差异并不是很明显，比如来自同一个人的相邻年龄图片看起来十分相似。然而，当前很多年龄估计方法都将每个年龄看做一个单独的类别进行训练，这往往不能充分利用训练样本信息，并且忽视了相邻年龄之间的关系。万军等研究人员提出的高效的Group-n编解码策略较好地解决了该难题。

主要创新点

1. 提出一种年龄Group-n编码（AGE-n）方法。把相邻年龄图像构成一个Group，并保证每张人脸图像属于其中连续的n个Group中，提出了融合100+n个二分类器的端对端解决方案。

2. 提出了一种局部年龄解码（LDA）策略来提升预测速度。

3. 针对提出的Group-n编码方法，在其softmax目标代价函数中融合cost-sensitive学习策略，解决非均衡数据学习问题。

4. 提出的方法在多个年龄库（FG-NET， MORPH II， CACD, Chalearn LAP 2015）上取得最好的性能。

该方法的流程图和性能，请见本文的图表（备注：年龄估计常见的评判标准为平均绝对误差MAE，MAE越小表示算法性能越高）。

图1 年龄估计算法流程图，包括训练阶段和测试阶段，在进行训练和测试之前，对人脸进行预处理（关键点定位和对齐）。

图2 Group-n编码策略示例（n=3）

图3 在不同数据库上，不同方法CS曲线比较

表1 在morph上的实验结果

表2 在Chalearn LAP 2015 Dataset上的实验结果比较

相关成果发表在人工智能顶级期刊IEEE PAMI上。

文章信息

高效的Group-n编解码策略实现年龄估计

Zichang Tan, Jun Wan, Zhen Lei, Ruicong Zhi, Guodong Guo, Stan ZQ Li. Efficient Group-n Encoding and Decoding for Facial Age Estimation.IEEE Transactions on Pattern Analysis and Machine Intelligence. 10.1109/TPAMI.2017.2779808.

下载地址：

http://ieeexplore.ieee.org/document/8141981/

团队

简介

生物识别与安全技术研究中心(Center for Biometrics and Security Research, 简称CBSR)是中科院自动化研究所为适应新时期国家社会安全重大战略需求和生物特征识别技术的快速发展而成立的研究机构，是世界上为数不多的，国内最大的专业从事生物特征识别的研究机构，中心主任为李子青研究员(IEEE Fellow,中科院"百人计划")。CBSR团队在人脸识别、属性分析方面开展了系统性的研究工作，取得了一系列突破性进展。在人脸属性分析方面，该团队研发了十几种人脸属性分析技术，包括年龄、性别、种族、表情、颜值、眼睛、墨镜、口罩、胡子、头发长短、留海等。

一些人脸属性demo展示

年龄估计：

http://www.cbsr.ia.ac.cn/users/jwan/face/age.html

多属性估计：

http://www.cbsr.ia.ac.cn/users/jwan/face/attributes.html