基于改進(jìn)標(biāo)記分布學(xué)習(xí)算法的人臉年齡估計(jì).pdf

1、近年來，計(jì)算機(jī)學(xué)科逐漸滲透到了人體生物科學(xué)領(lǐng)域，對(duì)人臉圖像的研究就是其中重要的一部分，因?yàn)槿四槇D像能夠反映出很多相關(guān)的信息，比如年齡、表情、性別和身份等。其中年齡作為固有的特征，具有重要的生物意義和應(yīng)用價(jià)值。如果能夠采用計(jì)算機(jī)技術(shù)對(duì)人臉年齡進(jìn)行準(zhǔn)確估計(jì)，那么將可以應(yīng)用在多種場(chǎng)景之中。使用傳統(tǒng)的分類或者回歸算法，基于人臉圖像可以對(duì)其年齡進(jìn)行自動(dòng)估計(jì)，但是它們通常不能夠充分利用示例標(biāo)記之間的相關(guān)性和不確定性，因此如果使用目前流行的標(biāo)記分布學(xué)

2、習(xí)算法(Label Distribution Learning，LDL),那么能夠使人臉年齡估計(jì)變得更加準(zhǔn)確。在LDL中，對(duì)于每一個(gè)特定的示例圖像，不僅它的真實(shí)年齡，而且與其相鄰的年齡也將加入到示例類別的描述當(dāng)中，組建一個(gè)和為1的年齡標(biāo)記分布。經(jīng)典的標(biāo)記分布學(xué)習(xí)算法以學(xué)習(xí)年齡標(biāo)記分布為目標(biāo)，使用Kullback-Leibler(K-L)散度來作為損失函數(shù)來訓(xùn)練一個(gè)最大熵模型。為了改進(jìn)現(xiàn)有的年齡分布學(xué)習(xí)算法，本文主要做了以下兩個(gè)方面的工作

3、:
　　一方面從算法本身的角度來思考，人們通常需要嘗試比最大熵模型描述能力更強(qiáng)的模型或者更加復(fù)雜的損失函數(shù)，但是不同的模型和損失函數(shù)所對(duì)應(yīng)的優(yōu)化策略通常不同，并且更加復(fù)雜。因此為了避免如此低效的嘗試，降低模型、損失與優(yōu)化策略之間的耦合性，本課題將符合條件的加性模型統(tǒng)一起來，構(gòu)建了一個(gè)標(biāo)記分布學(xué)習(xí)模型族。對(duì)于模型族中的任意模型和簡(jiǎn)單的損失函數(shù)，都可以采用梯度(Gradient)Boosting的方法來進(jìn)行迭代優(yōu)化，即在每一輪向前迭代

4、的過程中，學(xué)習(xí)一個(gè)簡(jiǎn)單的加權(quán)回歸模型來擬合損失函數(shù)在梯度方向上的更新值，該方法可以稱為LDGB(Label Distribution Gradient Boosting)算法。LDGB通過將LDL和Boosting算法相結(jié)合，在提高算法性能和效果的同時(shí)，避免了模型的過擬合，減少了傳統(tǒng)方法的資源開銷。
　　在另一方面，現(xiàn)有的LDL算法通常從人臉圖片中提取HOG或者BIF特征，而忽略了圖片潛在的視覺特征，深度學(xué)習(xí)(Deep Learn

5、ing)算法在圖片的特征學(xué)習(xí)領(lǐng)域極具優(yōu)勢(shì)，雖然深度網(wǎng)絡(luò)的訓(xùn)練需要大量的數(shù)據(jù)才能夠收斂，但是LDL從某種程度上說間接的增加了訓(xùn)練樣本的數(shù)據(jù)規(guī)模。因此本文將LDL和深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)相融合，通過構(gòu)建端對(duì)端(End to End)的網(wǎng)絡(luò)，結(jié)合標(biāo)記之間的分布特性，來解決年齡分布的預(yù)測(cè)的問題，該算法可以稱為DLDL(Deep Label Distribution Learning)