性别年龄论文阅读（1）——imdb-wiki

性别年龄论文阅读（1）——imdb-wiki

版权声明：本文为博主原创文章，未经博主允许不得转载 https://blog.csdn.net/heruili/article/details/88080703
最近半年在做表情，性别，年龄的工作，看了很多有关论文，怕自己会忘记也方便以后自己查找，所以写博客做个总结记录
这里先说一下有关性别年龄的论文：

看的第一篇是发表于ICCV2015年的 DEX: Deep EXpectation of apparent age from a single image
该论文提出了一个新的年龄数据集 imdb-wiki

本文研究了深度学习的静止人脸图像的视年龄估计问题。我们的卷积神经网络(CNNs)使用VGG-16架构，并在ImageNet上进行图像分类的预处理。此外，由于表观年龄标注图像的数量有限，我们探讨了finetuning对具有可用年龄的互联网人脸图像的好处。我们从IMDB和维基百科上抓取了50万张名人的照片公开使用。这是迄今为止最大的年龄预测公共数据集。我们将年龄回归问题作为一个深度分类问题，然后使用softmax期望值进行细化，并显示了相对于直接回归训练的改进。我们提出的方法，深度期望(DEX)的表观年龄，首先在测试图像检测face，然后再裁剪的人脸上提取CNN预测从20个网络的集合。在抓取的图像上对DEX的CNNs进行细化，在运用到对其进行明显的年龄标注提供的图像上。DEX不使用明显的面部特征点。我们的DEX是ChaLearn LAP 2015“表观年龄估算挑战赛”的冠军(第1名)，共有115支注册队伍参赛，远远超过了人类的参考数据

1. the IMDB-WIKI dataset, the largest dataset for biological age prediction;，具体数据信息如表所示

2. a novel regression formulation through a deep classification followed by expected value refinement;
提出一个新颖的回归方法取代了分类

年龄估计是一个回归问题，因为年龄是一个连续的取值范围。我们进一步使用了CNNs的回归训练，训练CNNs进行分类，将年龄值四舍五入为101年的标签[0,1，…，100]。通过将年龄回归作为一个深度分类问题，然后进行softmax期望值细化，我们比直接回归训练的CNNs有了显著的改进

我们可以通过大量增加类的数量，从而更好的逼近信号，并结合神经元输出来恢复信号，来改进回归年龄的分类公式。增加类数要求每个类有足够的训练样本，并增加因样本不足或不平衡而过度拟合训练年龄分布和未适当训练类的机会。经过一些初步的实验，我们决定同时用上101个年龄类。公式如下所示
本质就是在0-100之间的101类分类后，对于得到的分数（softmax）和对应的label（0-100）相乘，并将最终结果求和，得到最终识别的年龄
我们所有的cnn都是从ImageNet数据集上预先训练的用于图像分类的VGG-16架构开始的。然后在我们的IMDB-WIKI数据集上对cnn进行细化。当训练回归时，输出层改变为单神经元，以适应回归年龄。训练分类时，输出层适应于101个输出神经元对应的自然数从0到100，年龄类标签采用年离散化

3. DEX system, winner of the LAP 2015 challenge on apparent age estimation.（下表为实验结果）
[参考] (https://blog.csdn.net/u013841196/article/details/81460156)