论文阅读笔记：年龄识别—SSR-Net

今天分享的是IJCAI2018关于年龄预测的一个工作，即基于人脸来预测人的年龄。具体工作是：SSR-Net: A Compact Soft Stagewise Regression Network for Age Estimation。

1.关于人脸

在图像识别领域里，人脸技术非常有代表性，达到了极高的精准度，并且应用最为广泛。人脸的基本问题包括人脸目标检测（即定位人脸的目标区域），人脸比对（比如人脸和证件照比对是否同一人），人脸属性（性别、年龄、颜值、是否戴眼镜），人脸关键点等。

年龄是人脸属性预测的一个topic。其基本流程是：

2.摘要：

论文的工作是一个年龄预测模型，它的输入是经过人脸检测得到的人脸目标框，输出是预测的年龄结果。其要点包括:

网络设计尽可能轻量化，满足端上应用的时效性要求。

用分类损失预测年龄的分段(bin)，设计了一个可以平移和缩放的软分类目标。

效果：网络大小0.32M，小于主流的mobile-net和dense-net，效果比以上两者要好。

3. 论文工作：

论文首先探讨了年龄问题的4种损失函数及存在的问题：

1）  回归：样本的随机性和分布不均导致易过拟合。

2）  多年龄段分类：硬分类，分段边界处理不好。

3）  学习年龄分布：样本不好标记。

4）  Pair-wise的学习：复杂度太高。

论文提出的改进方案是：

1）  多层分段。由粗到细策略,每个阶段执行部分年龄分类,任务量少（Stagewise），产生更少参数和更紧凑的模型。例如文中设计的3-stage，每个stage进行3分类，第三stage可以分出3*3*3=27个bin。因为采用软分类，所以每一个bin的区间不是固定值，而是有一定交叠的自适应值。

预测出的年龄阶段是融合各阶段的分布

其中每一个bin的宽度

,  这里i是bin的索引.

在训练时，最小化平均误差函数，这里

,年龄预测损失函数为：

2）  软分类，引入动态范围,让每个bin可以平移和缩放，且平移和缩放参数采用与input相关的自适应值，能通过网络进行学习。

具体的网络实现了一个3-stage的2-stream网络，网络设计非常紧凑。

2-stream是两个平行的异构网络，为了抽取异构特征（2-stream网络参数数量相同，激活函数和pooling方式不同）。

每个stage进行软分类的缩放和平移量，以及每阶段的预测分布p的产生方式如图b中所示。缩放系数是实数值，而平移量和预测分布是向量，因此做了不同的处理。

在最后的stage，模型的预测结果与真实值产生的误差，会进行梯度回传，同时软分类的参数也会一起得到更新。

4. 效果：

首先和较深的复杂网络结构（如VGG或res-net）相比，还是复杂模型的效果更好一些，但复杂模型大小一般在几百M，无法在端上应用。对比其他轻量级网络，主要是和Mobile-net, dense-net相比，模型更小（0.32M），效果更好。

局限性：人脸属性的主流解决方案中，一般可以用一个分类器同时优化多个人脸属性目标，所以底层选择mobile-net或dense-net更通用，SSR-net的网络结构和损失函数专门为年龄预测定制，通用性稍差一些。

5.项目代码和demo：

项目的github代码地址如下：https://github.com/shamangary/SSR-Net

代码中的Demo可以调用摄像头进行帧维度的实时预测，目标检测用的是LBP和MTCNN（可选，MTCNN效果更佳），支持对比mobile-net , dense-net的结果。代码简洁，非常容易跑通。

实测时发现，随着人脸的移动，预测数值波动比较大，同一个人上一秒预测24岁，下一秒可能是35岁。视角，距离，清晰度会对预测结果产生比较大的影响，也从另一个角度说明年龄预测很难做到非常精准。

另外作者还提供了针对亚洲人脸优化的一个model，即在Megaage-Asian数据集上重新训练的版本。具体地址为：

https://github.com/b02901145/SSR-Net_megaage-asian