一种基于迁移学习的年龄估计方法技术

本发明专利技术公开了一种基于迁移学习的年龄估计方法，本发明专利技术受风格迁移和

【技术实现步骤摘要】
一种基于迁移学习的年龄估计方法


[0001]本专利技术涉及图像识别技术，尤其涉及一种基于迁移学习的年龄估计方法
。

技术介绍

[0002]人肉眼识别年龄往往是根据与已知年龄的人进行对比，故识别结果往往是一个符合大众的经验值
。
同时考虑不同表观年龄的人的面部风格是不一样，人肉眼去识别对比的过程类似于把当前人的面部风格向已知人的面部风格进行比较，相对于人类通过比较不同年龄的人来识别年龄，计算机难以获得每个年龄段的代表性图片
。
[0003]人脸年龄估计在人机交互
、
人脸属性分析
、
市场分析等方面都具有重要作用
。
随着深度学习的兴起，许多深度结构，如
VGG、ResNet、MobileNet
等，已被用作特征学习方法来解决人脸年龄估计问题
。
[0004]传统的人脸年龄估计方法大致有以下三种：回归方法
、
分类方法和排名方法
。
其中，回归方法将标签视为连续的数值，而分类方法则将不同的年龄或年龄组视为独立的类别标签
。
分类方法又可以分为单标签学习和标签分布学习两种方法
。
标签分布学习的目标是学习一个标签分布，以表示描述一个实例时每个标签的相对重要性
。
排名方法则将年龄值视为排名数据，并使用多个二元分类器来确定面部图像中年龄的排名
。
[0005]随着深度学习技术的发展，必不可少要引入神经网络的能量“硬
train
一发”。
这些方法主要通过特征提取和建模来预测年龄
。
这与人类肉眼识别年龄的机制不同，人类通过将当前的经验信息与大多数人进行比较来获得年龄信息
。
由于获取不同种族代表性的年龄图像很难，计算机任务常常忽略比较学习的思路
。
但是在风格转换学习中，风格图像的均值和标准差是风格转换的关键
。
[0006]受此启发，研究人员提出了一种新方法，即使用
Delta Age Adaptive Instance Normalization
操作通过迁移学习来获取每个年龄段的代表性结果
。

技术实现思路

[0007]本专利技术的目的是提供一种使用
Delta Age Adaptive InstanceNormalization
操作通过迁移学习来获取每个年龄段的代表性结果的基于迁移学习的年龄估计方法
。
[0008]为了实现上述目的，本专利技术采用了如下技术方案：
[0009]一种基于迁移学习的年龄估计方法，步骤如下：
[0010]S1
：通过特征编码器
FaceEncoder
模块，负责将面部年龄图像作为输入，并将其编码为一个特征向量，以捕捉面部的关键特征；
[0011]S2
：通过
DAA
通过学习将每个内容图转换为
100
个代表各个年龄的
Delta
年龄图；
[0012]S3:
为了获得连续的图像特征信息，将迁移学习的输入设置为二进制编码的格式
,
通过二进制编码的独特性和连续性特征，通过
DAA
操作使得融合的特征信息连续；
[0013]S4
：引入
Binary code mapping
模块将二进制编码映射模块中学习到的值传输到
FaceEncoder
模块学习的特征映射中；
[0014]S5
：将当前图像转换为每个比较年龄的风格图，并学习当前年龄与所有比较年龄之间的特征差异，最终基于比较年龄差异来预测年龄；
[0015]S6
：通过在面部年龄估计数据集
Morph、FG
‑
Net、IMDB
‑
Wiki
以及
MegaAge
‑
Asian
这四个数据集上进行的实验对比和消融实验研究
。
[0016]根据权利要求1所述的一种基于迁移学习的年龄估计方法，其特征在于，所述步骤
S2
中，基于年龄迁移的
AdaIN
操作写成：
[0017][0018]DAA
操作写成：
[0019][0020]优选地，受
StyleGAN
和
SAM
的启发，一个通道即可表示一种属性，故加强版的
DAA
可写为：
[0021][0022]则
daa
运算可以重写为
eq
[0023][0024]优选地，所述步骤
S4
中，引入
Binary code mapping
模块，
Binary code mapping
模块将年龄对应的自然数的二进制编码作为风格迁移隐变量
z
的输入，完成对应年龄特征的均值
t
和标准差
s
的映射，该过程与图像特征无关，故可以自适应跨种族和生活环境，至此通过以下公式8：
[0025][0026]通过
AgeDecoder
中的引导，完成人脸特征提取模块和二进制
mapping
模块的学习，实现年龄间特征差异向年龄差异的映射，进而实现具备连续性的对比的年龄估计
。
[0027]优选地，所述步骤
S6
中，评价指标采用用于回归任务常用的
MAE
指标以及用于特定数据集
Mega
‑
Age
的
cumulative accuracy
评估指标，其计算方式如下：
[0028][0029]K
为总的测试图片数量，
K
代表绝对误差小于
n
的测试图像的数量
。
[0030]与现有技术相比，本专利技术具备以下有益效果：
[0031]本专利技术受风格迁移和
face aging
的启发，将不同年龄视为不同风格，不同年龄之间的变换本质上是对应年龄特征的均值和标准差的改变，故在此基础上结合
AdaIN
设计能
描述年龄间特征差异的操作
Delta Age AdaIN(DAA)。
与传统的风格迁移不同的是，不需要显示重建迁移后的年龄图像，只需要在深层特征上计算对应的均值和标准差，并通过
DAA
操作获得能描述年龄差异的风格特征
。
同时为了避免种族和生活环境对表观年龄的影响，将年龄自然数的二进制编码作为迁移学习的输入来获取具有代表性的连续的年龄特征的均值和标准差信息，从而获取更加鲁棒的年龄间的特征差异表达，进而通过特征差异向年龄差异的映射本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于迁移学习的年龄估计方法，其特征在于，步骤如下：
S1
：通过特征编码器
FaceEncoder
模块，负责将面部年龄图像作为输入，并将其编码为一个特征向量，以捕捉面部的关键特征；
S2
：通过
DAA
通过学习将每个内容图转换为
100
个代表各个年龄的
Delta
年龄图；
S3:
为了获得连续的图像特征信息，将迁移学习的输入设置为二进制编码的格式
,
通过二进制编码的独特性和连续性特征，通过
DAA
操作使得融合的特征信息连续；
S4
：引入
Binary code mapping
模块将二进制编码映射模块中学习到的值传输到
FaceEncoder
模块学习的特征映射中；
S5
：将当前图像转换为每个比较年龄的风格图，并学习当前年龄与所有比较年龄之间的特征差异，最终基于比较年龄差异来预测年龄；
S6
：通过在面部年龄估计数据集
Morph、FG
‑
Net、IMDB
‑
Wiki
以及
MegaAge
‑
Asian
这四个数据集上进行的实验对比和消融实验研究
。2.
根据权利要求1所述的一种基于迁移学习的年龄估计方法，其特征在于，所述步骤
S2
中，基于年龄迁移的
AdaIN
操作写成：
DAA
操作写成：
3.
根据...

【专利技术属性】
技术研发人员：李业，陶聚，
申请(专利权)人：长城汽车股份有限公司，
类型：发明
国别省市：