【技术实现步骤摘要】
年龄估计方法及装置、电子设备及计算机可读存储介质
本专利技术涉及计算机领域,特别涉及年龄估计方法及装置、电子设备及计算机可读存储介质。
技术介绍
在一些场景需要使用神经网络基于人脸图像进行年龄估计。一种估计方式是将年龄估计作为分类任务,也即,预先设计年龄分类(比如0-100岁,每一整数年龄值为一个分类),由神经网络计算各年龄分类的概率值,取最大的概率值所对应的年龄分类作为预测年龄值。举例来讲,假定25岁这一年龄分类的概率值为0.8,在0-100这101个年龄分类中其概率值最大,则会选择25岁作为预测的年龄值。其在训练过程中,采用了分类损失函数计算分类损失值进行参数调整,其使用的分类损失函数为Loss=-log(pg)+∑(-log(1-pi)),其中,g表示真实年龄,Pg表示该真实年龄所对应的年龄分类由神经网络计算出的概率值,i表示任一年龄分类,Pi表示神经网络计算出的该年龄分类的概率值。在上述训练过程中,年龄分类之间是相互独立的,如张三的真实年龄是24岁,那么只有24这个类别为正类,其他比如0岁,23岁,25岁,99岁都为负类,并无任何差别。假定0岁和23岁对应的概率均为0.02,那么通过传统的分类损失函数计算的0岁对应的损失值,与23岁对应的损失值是相同的。但实际上将张三的年龄预测为23岁或25岁,比将其预测为0岁或99岁要更为贴近事实。专利技术人因而发现,上述年龄估算方式和神经网络训练方式无视了年龄并非整数值的特点,并且,也忽略了年龄彼此并非独立的特点。这使得传统的年龄估算方式的准确度相 ...
【技术保护点】
1.一种年龄估计方法,其特征在于,包括:/n目标神经网络接收目标图像;所述目标神经网络在训练过程中根据真实年龄值与各年龄分类的距离、真实年龄所对应的概率值以及各年龄分类的概率值计算分类损失值,基于所述分类损失值进行参数调整;所述目标图像是将不同的脸部图像按预设比例混合得到的混合脸部图像;/n所述目标神经网络对所述目标图像提取特征向量;/n所述目标神经网络基于所述特征向量,计算各年龄分类对应的概率值;/n将各年龄分类对应的概率值与年龄偏差值的乘积进行累加,得到年龄预测值;每一年龄分类对应的年龄偏差值是在训练过程中预测得到的,所述年龄偏差值属于所述参数。/n
【技术特征摘要】
1.一种年龄估计方法,其特征在于,包括:
目标神经网络接收目标图像;所述目标神经网络在训练过程中根据真实年龄值与各年龄分类的距离、真实年龄所对应的概率值以及各年龄分类的概率值计算分类损失值,基于所述分类损失值进行参数调整;所述目标图像是将不同的脸部图像按预设比例混合得到的混合脸部图像;
所述目标神经网络对所述目标图像提取特征向量;
所述目标神经网络基于所述特征向量,计算各年龄分类对应的概率值;
将各年龄分类对应的概率值与年龄偏差值的乘积进行累加,得到年龄预测值;每一年龄分类对应的年龄偏差值是在训练过程中预测得到的,所述年龄偏差值属于所述参数。
2.如权利要求1所述的方法,其特征在于,所述训练过程包括:
向神经网络模型输入图像样本由所述神经网络模型进行年龄预测;任一图像样本至少包括第二目标图像和年龄标签;所述第二目标图像是将包含不同年龄的脸部图像按预设比例混合,得到的混合脸部图像;
计算图像样本的损失值;所述损失值至少包括根据所述第二目标图像的真实年龄值与各年龄分类的距离、真实年龄所对应的概率值以及各年龄分类的概率值计算的分类损失值;
根据计算出的损失值进行参数调整,训练过程结束后,经参数调整后的神经网络模型为所述目标神经网络。
3.如权利要求2所述的方法,其特征在于,所述损失值还包括:基于各年龄分类对应的概率值、年龄偏差值和真实年龄,计算得到的回归损失值。
4.如权利要求3所述的方法,其特征在于,
所述图像样本还包括:X张参考图像和相应的年龄标签;任一年龄标签包含真实年龄;X为正整数;
所述损失值还包括绝对值损失;
所述绝对值损失的计算方式包括:
计算所述第二目标图像的年龄预测值与任一参考图像的年龄预测值之间的第一差值,以及,所述第二目标图像的真实年龄与所述任一参考图像的真实年龄的第二差值;
计算所述第一差值与所述第二差值之间的差值的绝对值,得到X个差值绝对值;
将X个差值绝对值累加,得到所述绝对值损失。
5.如权利要求4所述的方法,其特征在于,所述根据计算出的损失值进行参数调整包括:
计算绝对值损失与回归损失值、分类损失差的和值,作为总损失值;
根据所述总损失值优化参数。
6.如权利要求3所述...
【专利技术属性】
技术研发人员:黄泽元,
申请(专利权)人:深圳集智数字科技有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。