性别年龄论文阅读（2）——CACD2000

性别年龄论文阅读（2）——CACD2000

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/88082082 >
论文《 Cross-Age Reference Coding for Age-Invariant Face Recognition and Retrieval》
提出了一种新的编码框架——跨年龄参考编码(CARC)。利用互联网上免费提供的大规模图像数据集作为参考集，CARC能够利用年龄不变的参考空间对人脸图像的低层特征进行编码。在测试阶段，该方法只需要线性投影对特征进行编码，因此具有较高的可扩展性。为了全面评估我们的工作，我们引入了一种新的大规模跨年龄人脸识别和检索数据集，称为跨年龄名人数据集(CACD)。该数据集包含2000名年龄在16岁至62岁之间的名人的16万多张照片。据我们所知，这是迄今为止最大的公开的跨年龄人脸数据集。实验结果表明，该方法不仅可以在现有的人脸识别数据集上实现最先进的性能，还可以在其他广泛应用的人脸识别数据集上实现最先进的性能

本文的贡献包括:
-我们提出一种新的编码框架，称为CARC，利用参考图像集(可从互联网上获得)进行年龄不变的人脸识别和检索。
-我们引入了一个新的大规模的人脸数据集，CACD，用于评估跨年龄的人脸识别和检索。该数据集包含超过16万张图片，其中有2000人，并向公众开放。
系统概述了所提出的方法。对于每个图像，我们首先应用人脸和人脸关键点检测。然后提取每个关键点的局部特征(高维LBP)，利用CARC将局部特征编码为年龄不变表示，分三步进行。首先，通过使用从internet收集的跨年龄参考集，我们计算参考集表示。其次，我们将从图像中提取的局部特征映射到m年的参考空间中。最后，我们将不同年份的m个特征集合成输入图像的最终年龄不变表示形式。最后表示n×p维度其中n是参考的人数和p是面部地标的数量。CARC的详细信息在第3节中描述

作者为特征提出了一个前提假设，即在该种特征表示下，某一年龄阶段面部相似的两人，在其他年龄阶段面部特征也相似。

算法流程概述
1、图片对齐，特征点标注，LBP特征提取
2、使用网络获得的不同人在不同时间段的照片作为参考集(reference set)，计算这个集合中图片的特征表示，形成参考特征空间
3、将待表示的图片LBP特征映射到参考特征空间中获取在参考空间中的编码
4、在上述编码中对年龄（时间）维度进行最大值汇总，形成最终具有年龄不变性的编码表示
5、使用cosine similarity进行图片匹配和检索

[参考博客] (https://blog.csdn.net/dilusense/article/details/54984535)