图片来源www.how-old.net
随着深度学习的飞速发展,基于深度卷积神经网络的人脸年龄估计技术成为了研究热点。本文尝试解决以下几个问题:
1、常见已公开的人脸年龄估计数据集都有哪些?这些数据集的特点以及存在的问题是什么?
2、当前深度学习的人脸年龄估计研究取得了哪些巨大的进展?这些算法的性能如何?效果能否满足实际的需求?
3、人脸年龄估计研究仍存在哪些方面的困难和挑战?
内容来源《中国图象图形学报》2019年第8期论文“人脸年龄估计的深度学习方法综述”,作者华北电力大学张珂副教授对原文内容进行了重新整理,补充了2019年CVPR等会议的相关论文引用和分析。
人脸图像中存在着大量有用的信息,如年龄、性别、身份、种族、情绪等,人脸图像分析的相关技术研究一直是计算机视觉领域的关注重点。
年龄作为人类一种重要的生物及社会特征,其在人的社会交往中起到了基础性作用。随着公共场所的监控数量高速增长,人脸年龄估计在跨年龄人脸识别、智能安全监控、图像与视频检索等领域具有越来越多的应用前景。
基于人脸图像的年龄估计是利用计算机技术建模图像中人脸年龄变化的规律,使模型依照人脸图像输出人脸年龄或归属范围。
已知一幅人脸图像,人脸年龄估计流程图如图1所示。
图1 人脸年龄估计流程图
根据特征提取方式的不同,人脸年龄估计问题可以分为传统方法与深度学习方法。
传统方法提取的年龄特征如BIF、SIFT在受限条件数据上表现不错,但这些特征在非受限条件下的人脸年龄估计任务中显得力不从心,这是由于非受限条件下人脸图像中所包含的各种变化(光照、化妆、遮挡、角度等)为人脸年龄估计带来新的挑战。
图2是在微软how-old.net中使用同一人不同光照条件下的图片进行年龄估计示意图,我们可以观察到光照条件对人脸估计的影响。
图2 同一人不同光照条件下的年龄估计
随着近年来深度学习的快速发展,基于深度学习的人脸年龄估计的准确率和鲁棒性,尤其非受限条件下的人脸年龄估计的准确率显著提高。所以我们将重点关注基于深度学习的人脸年龄估计问题。
根据年龄标注的主客观性,人脸年龄估计问题可以分为真实年龄估计和表象年龄估计;根据年龄标注的精确度,可以分为年龄组估计和年龄值估计。
表1 常见的已公开的人脸年龄估计数据集
数据集 |
真实年龄或表象年龄 |
年龄值或年龄组 |
图像数量/幅 |
来源人数 /人 |
年龄范围 /岁 |
是否属于非受限条件 |
FG-NET[1] |
真实年龄 |
年龄值 |
1 002 |
82 |
0~69 |
否 |
MORPH Album 1[2] |
真实年龄 |
年龄值 |
1 690 |
515 |
15~68 |
否 |
MORPH Album 2 [2] |
真实年龄 |
年龄值 |
55 134 |
13 618 |
16~77 |
否 |
CACD[3] |
真实年龄 |
年龄值 |
163 466 |
2 000 |
0~100 |
是 |
IMDB-WIKI[4] |
真实年龄 |
年龄值 |
523 051 |
20 284 |
0~100 |
是 |
Adience[5] |
真实年龄 |
年龄组 |
26 580 |
2 284 |
0~60+ |
是 |
IoG[6] |
真实年龄 |
年龄组 |
5 080 |
- |
0~66+ |
是 |
LAP2015[7] |
表象年龄 |
年龄值 |
4 699 |
- |
0~100 |
是 |
LAP2016[8] |
表象年龄 |
年龄值 |
7 591 |
- |
0~100 |
是 |
APPA-REAL[9] |
真实和表象年龄 |
年龄值 |
7 591 |
- |
0~95 |
是 |
从表1中不难看出,人脸年龄估计数据集的关注重点逐渐转向非受限条件下年龄估计和表象年龄估计。然而与人脸识别等传统人脸数据集相比,人脸年龄估计数据集规模较小,尽管IMDB-WIKI是目前最大规模的人脸年龄估计数据集,但是存在以下问题:
(1) 由于IMDB-WIKI数据集的图像是从网站上直接获取,导致IMDB-WIKI数据集内有许多质量较差的图像,如图3所示。
图3 IMDB-WIKI数据集低质量图像
(2)有些人脸图像的标记年龄与真实年龄差距甚大,1-10岁图像尤为严重,这些低质量图像将降低人脸年龄估计效果。
(3) IMDB-WIKI数据集并没有划分训练集和验证集,通常用于数据预训练。所以收集和建立大规模、高质量的非受限条件下的人脸年龄估计数据集是非常必要的。
早期人脸年龄估计的研究中,大部分研究均手工设计人脸年龄相关特征,基于这些手工设计的特征,利用机器学习的传统算法进行人脸年龄估计。
这些算法在小规模受限条件下的人脸图像年龄估计数据集上获得了不错的效果。
为了满足实际应用的需求,人脸年龄估计数据集的规模逐渐增大,关注点从受限条件下的人脸年龄估计逐渐过渡到非受限条件下人脸年龄估计。然而传统算法在非受限条件下人脸年龄数据集中的表现不尽如人意,如何提高非受限条件下人脸年龄估计的性能成为了人脸年龄估计面临的首要问题之一。
近年来深度卷积神经网络(DCNN)深受计算机视觉领域研究人员的喜爱。DCNN经过多年发展,从层数到图像特征的学习能力显著提高。研究人员将目光转向利用DCNN强大的特征提取能力和学习能力进行人脸年龄估计,并取得显著研究进展。
根据年龄估计模式的不同,基于深度学习的人脸年龄估计方法主要分为三大类:
3.1 回归模型
回归模型运用回归分析的方法,通过建立表征人脸年龄变化规律的函数模型直接进行人脸年龄估计。根据在回归模型中是否借助多分类模型,又可以将回归模型分为直接回归模型和分类-回归模型两类。
表2 直接回归模型方法
文献 |
主要贡献 |
Yi等人[10] |
利用23个不同尺度的DCNN提取特征 |
Wang等人[11] |
利用3conv+2pooling+1fc的CNN提取特征 |
Ranjan等人[12] |
利用10conv+5pooling+1fc的CNN提取特征 |
Shen等人[13] |
提出深度回归森林模型 |
Kuang等人[14] |
提出DeepCodeAge模型 |
表3 分类-回归模型方法
文献 |
主要贡献 |
Rothe等人[15] |
将回归问题转换为分类-回归问题,提出深度期望网络(DEX) |
Yang等人[16] |
提出轻分阶段回归网络(SSRNet) |
Agustsson等人[17] |
提出残差DEX模型和锚定回归网络(ARN) |
Liu等人[18] |
将年龄值回归与高斯标签分布结合,提出AgeNet网络 |
3.2 多分类模型
人的年龄可以简单分为几个年龄组,由于基于回归的年龄估计模型存在收敛困难的问题,且年龄组分类能够满足大部分实际应用的需求,越来越多的非受限人脸年龄估计数据集仅包含年龄组标注,因此非受限条件下的年龄组估计已经成为当前的研究重点之一,而多分类模型是实现年龄组估计的主要手段。
表4 多分类模型方法
文献 |
主要贡献 |
Levi等人[19] |
使用3-conv+2-fc的DCNN进行年龄组估计 |
张珂等人[20] |
使用深度多级残差网络(RoR)和随机深度算法,并结合人脸衰老趋势提出变权损失函数进行年龄组估计 |
Hou等人[21] |
为解决Softmax交叉熵损失函数无法对年龄组之间的相关性建模的问题,提出了平方陆地移动距离(Squared Earth Mover’s Distance,EMD2)损失函数代替传统交叉熵损失函数 |
3.3 排序模型
人与人之间的衰老规律各不相同。传统的年龄组分类方法忽视了组内不同年龄间的关系,浪费了年龄标注内大量关键信息;年龄回归方法并未考虑到人类衰老是动态过程,人的年龄不同,衰老趋势不同。
而基于排序模型的方法用待估计年龄与一系列年龄值进行比较,确定年龄标注值在年龄序列中的位置,这一类方法主要针对传统方法忽略人脸衰老过程中的动态性、模糊性以及个性化特点的问题。
表5 排序模型方法
文献 |
主要贡献 |
Yang等人[22] |
提出DeepRank+模型,基于年龄标签的相对顺序进行年龄估计 |
Niu等人[23] |
提出多输出顺序回归网络(OR-CNN),将人脸年龄估计问题,转换为多个二分类问题 |
Chen等人[24] |
提出Ranking-CNN |
Tan等人[25] |
提出n-年龄组编码模型(Age Group-n Encoding,AGEn) |
Pan等人[26] |
考虑年龄的顺序性,提出修正对比损失函数模拟样本之间成对年龄顺序关系 |
此外,一部分研究人员将计算机视觉其他领域的技术方法应用在人脸年龄估计问题中,如标签分布学习[27-31],细粒度图像分类[32-33]、人脸属性多任务估计[34-36],均提升了非受限条件下人脸年龄估计的性能。
3.4 最新方法
考虑到原文中并未包含2019年上半年的一些文献,现在此进行一些补充。
表6 2019年上半年文献汇总
文献 |
主要贡献 |
Liu等人[37] |
将年龄分组和性别分类结合,提出四阶段融合网络(4-fusion framework) |
Li等人[38] |
提出BridgeNet挖掘年龄标签之间连续性关系 |
Zhang等人[39] |
提出基于上下文级联紧致模型(C3AE),该模型使用三分支CNN集成多尺度的上下文信息,提高了紧致模型(Compact Model)在年龄估计上的性能 |
Zeng等人[40] |
提出软排序(Soft-Ranking)的年龄标签编码方式,自然地引入年龄的顺序信息;提出Maskout 正则化的方式避免模型的过拟合 |
常用的年龄估计指标有平均绝对误差(MAE)[10]、累积指数(CS)[41]、ε-error[7-8]、单一分类准确率和1-off分类准确率[5]等。
我们整理了常用的人脸年龄数据集(FG-NET、MORPH、Adience、LAP2015和LAP2016)上的结果。
值得注意的是:MORPH数据集包含Album 1和Album 2两部分。大部分文献仅使用Album 2进行实验,小部分文献使用整个MORPH数据集进行实验。
表7 不同算法在FG-NET上的结果
算法 |
MAE/岁 |
CS |
2-conv+2-pooling+1-fc CNN [11] |
4.26 |
--- |
VGG+Revised Contrastive Loss [26] |
4.21 |
--- |
4-fusion framework[37] |
3.92 |
--- |
DRFs [13] |
3.85 |
80.6% |
DEX [15] |
3.09 |
--- |
AGEn[25] |
2.96 |
--- |
C3AE[39] |
2.95 |
--- |
CNN+Mean-Variance Loss [31] |
2.68 |
--- |
BridgeNet[38] |
2.56 |
|
AL [33] |
2.39 |
--- |
表8 不同算法在MORPH上的结果
算法 |
数据集 |
MAE/岁 |
CS |
2-conv+2-pooling+1-fc CNN [11] |
MORPH |
4.77 |
--- |
Multi-Scale CNN [10] |
MORPH Album 2 |
3.63 |
--- |
DeepRank+ [22] |
MORPH |
3.49 |
--- |
OR-CNN [23] |
MORPH Album 2 |
3.27 |
--- |
SSRNet[16] |
MORPH Album 2 |
3.16 |
--- |
DMTL [36] |
MORPH Album 2 |
3.0 |
85.3% |
ARNs [17] |
MORPH Album 2 |
3.00 |
--- |
4-fusion framework[37] |
MORPH Album 2 |
2.97 |
--- |
Ranking-CNN [24] |
MORPH Album 2 |
2.96 |
89.90% |
C3AE[39] |
MORPH Album 2 |
2.75 |
--- |
DEX [15] |
MORPH Album 2 |
2.68 |
--- |
RAGN [35] |
MORPH Album 2 |
2.61 |
--- |
FFAM [32] |
MORPH Album 2 |
2.56 |
--- |
AGEn[25] |
MORPH Album 2 |
2.52 |
--- |
VGG+Revised Contrastive Loss [26] |
MORPH Album 2 |
2.46 |
--- |
DLDL [28] |
MORPH |
2.42 |
--- |
BridgeNet[38] |
MORPH Album 2 |
2.16 |
|
AL [33] |
MORPH Album 2 |
2.36 |
--- |
DRFs [13] |
MORPH |
2.17 |
91.3% |
CNN+Mean-Variance Loss [31] |
MORPH Album 2 |
2.16 |
--- |
DLDL-v2[29] |
MORPH |
1.969 |
--- |
Soft-Ranking[40] |
MORPH Album 2 |
1.67 |
--- |
表9 不同算法在Adience上的结果
算法 |
准确率 |
1-off准确率 |
3-conv+2-fc+softmax [19] |
50.7%±5.1% |
84.7%±2.2% |
Chained net[34] |
54.5% |
84.1% |
VGG+EMD2 Loss [21] |
61.1% |
94.0% |
FFAM [32] |
61.8%±2.1% |
95.1%±0.03% |
VGG+EMD Loss [21] |
62.2% |
94.3% |
DEX [15] |
64.0%±4.2% |
96.6%±0.9% |
RoR[20] |
67.34%±5.1% |
97.51%±0.67% |
AL [33] |
67.83%±2.98% |
97.53%±0.59% |
表10 不同算法在LAP2015上的结果
算法 |
MAE/岁 |
ε-error |
10-conv+5-pooling+1-fc CNN [12] |
0.373352 |
|
ARNs [17] |
3.153 |
--- |
DLDL [28] |
3.51 |
0.31 |
DMTL [36] |
--- |
0.289 |
DeepCodeAge [36] |
--- |
0.287266 |
DLDL-v2[29] |
3.135 |
0.272 |
AgeNet [18] |
--- |
0.270685 |
DEX [15] |
--- |
0.264975 |
AGEn[25] |
2.94 |
0.263547 |
BridgeNet[38] |
2.87 |
0.255140 |
AL [33] |
3.137 |
0.2548 |
Soft-Ranking[40] |
--- |
0.232 |
表11 不同算法在LAP2016上的结果
算法 |
MAE/岁 |
ε-error |
4-fusion framework[37] |
--- |
0.3738 |
RAGN [35] |
--- |
0.3679 |
VGG+Revised Contrastive Loss[26] |
--- |
0.3171 |
AGEn[25] |
3.82 |
0.3100 |
CNN+Mean-Variance Loss [31] |
--- |
0.2867 |
AL [33] |
--- |
0.2859 |
DLDL-v2[29] |
3.452 |
0.267 |
children-specialized CNN[30] |
--- |
0.2411 |
Soft-Ranking[40] |
--- |
0.232 |
尽管人脸年龄估计研究取得了巨大进展,但人脸年龄估计的效果仍不能完全满足实际应用的需要,究其原因,主要是目前人脸年龄估计研究仍存在以下几个方面的困难和挑战:
(1)引入人脸年龄估计的先验知识不足。影响人脸年龄估计的内在因素有很多,故而不能简单地将人脸年龄估计看作是一般的分类或回归问题。首先年龄之间存在相关性,具有顺序关系;其次人类衰老是“动态”变化的过程具有应对规律性;另外,身份、性别、种族等其它内在属性也在影响人脸年龄估计。
(2)缺少兼顾全局和局部细节的人脸年龄估计特征表达方法。人脸年龄估计任务中类间相似性高,且对于年龄敏感的细节区域(如皱纹、头发、斑点等位置)有助于年龄判别,所以将细粒度分类思想引入人脸年龄估计,“见微知著”地进行人脸年龄估计是十分必要和可行的。
(3)现有人脸年龄估计数据集的限制。现有人脸年龄估计数据集规模较小,导致深度模型训练过程中容易出现过拟合问题,模型泛化能力不强,尤其对于非受限条件下的人脸年龄估计任务小规模数据集很难覆盖各种变化的情况,导致非受限条件的人脸年龄估计效果不佳。所以构建高质量、大规模的非受限条件下的人脸年龄估计数据集是解决以上问题的重要手段之一。
(4)实际应用环境下的多尺度人脸年龄估计问题。在实际应用环境下,往往是对多尺度人脸进行年龄估计,同时涉及人脸检测、人脸超分辨率、人脸对齐和人脸年龄估计等多项人脸分析任务。所以研究多尺度感知条件下多任务融合的端到端人脸年龄估计方法是十分必要的。
以上简要列出部分主要年龄估计算法、主要贡献及性能比较结果,详细介绍请参见“人脸年龄估计的深度学习方法综述”。
作者简介
[1] Panis G, Lanitis A, Tsapatsoulis N, et al. Overview of research on facial ageing using the fg-net ageing database[J]. IET Biometrics, 2016,5(2):37-46.
[2] Ricanek K, Tesafaye T. Morph: a longitudinal image database of normal adult age-progress-ion[C]//International Conference on Automatic Face and Gesture Recognition (FGR06). Sout-hampton, UK. IEEE, 2006:341-345.
[3] Chen B C, Chen C S, Hsu W H. Face recognition and retrieval using cross-age reference coding with cross-age celebrity dataset[J]. IEEE Transactions on Multimedia, 2015,17(6):804-815.
[4] Rothe R, Timofte R, Gool L V. Dex:Deep expectation of apparent age from a single image[C]// IEEE International Conference on Computer Vision Workshop (ICCVW). Santiago, Chile. IEEE 2015:10-15.
[5] Eidinger E, Enbar R, Hassner T. Age and gender estimation of unfiltered faces[J]. IEEE Tr-ansactions on Information Forensics and Security, 2014,9(12):2170-2179.
[6] Gallagher A C, Chen T. Understanding images of groups of people[C]// IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Miami, FL, USA.IEEE, 2009:256-263.
[7] Escalera S, Fabian J, Pardo P, et al. Chalearn looking at people 2015:apparent age and cul-tural event recognition datasets and results[C]//IEEE International Conference on Computer Vision Workshop (ICCVW). Santiago, Chile. IEEE Computer Society, 2015:243-251.
[8] Escalera S, Torres M T, Martínez B, et al. Chalearn looking at people and faces of the world:face analysis workshop and challenge 2016[C]// IEEE Conference on Computer Vision and Pattern Recognition Workshops. Las Vegas, NV, USA.IEEE, 2016:706-713.
[9] Agustsson E, Timofte R, Escalera S, et al. Apparent and real age estimation in still images with deep residual regressors on appa-real data-base[C]// IEEE International Conference on Automatic Face and Gesture Recognition. Washing-ton, DC, USA.IEEE, 2017.
[10] Yi D, Lei Z, Li S Z. Age Estimation by Multi-scale Convolutional Network[C]// Asian Co-nference on Computer Vision. Singapore, Singapore. Springer, Cham, 2014:144-158.
[11] Wang X, Guo R, Kambhamettu C. Deeply-learned feature for age estimation[C]// IEEE Winter Conference on Applications of Computer Vision. Waikoloa, HI, USA. IEEE, 2015:534-541.
[12] Ranjan R, Zhou S, Chen J C, et al. Unconstrained age estimation with deep convolutional neural networks[C]// IEEE International Conference on Computer Vision Workshop. Santiago, Chile, IEEE, 2015.
[13] Shen W, Guo Y, Wang Y, et al. Deep regression forests for age estimation [EB/OL].2017-12-19[2018-11-01]. https://arxiv.org/abs/1712.07195.
[14] Z. Kuang, C. Huang, W. Zhang.Deeply learned rich coding for cross-dataset facial age estima-tion[C]// IEEE International Conference on Computer Vision Workshop (ICCVW). Santiago, Chile:IEEE Press, 2015:338-343.
[15] Rothe R, Timofte R, Gool L V. Deep expectation of real and apparent age from a single image without facial landmarks[J]. International Journal of Computer Vision, 2016:1-14.[DOI:10.1007/s11263-016-0940-3]
[16] Yang T Y, Huang Y H, Lin Y Y, et al. Ssr-net:a compact soft stagewise regression network for age estimation[C]//International Joint Conference on Artificial Intelligence. Stockholm, Sweden.IJCAI, 2018:1078-1084.
[17] Agustsson E, Timofte R, Gool L V. Anchored Regression Networks Applied to Age Estimation and Super Resolution[C]// IEEE International Conference on Computer Vision. Venice, Italy.IEEE Computer Society, 2017:1652-1661.
[18] Liu X, Li S, Kan M, et al. AgeNet:deeply learned repressor and classifier for robust appar-ent age estimation[C]// IEEE International Conference on Computer Vision Workshop (ICCVW). Santiago, Chile:IEEE Press, 2015:258-266.
[19] Levi G, Hassncer T. Age and gender classification using convolutional neural networks[C]// Computer Vision and Pattern Recognition Workshops (CVPRW). Boston, MA, USA. IEEE, 2015:34-42.
[20] Zhang K, Sun M, Han X, et al. Residual networks of residual networks:multilevel residual networks[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2017, 28(6):1303-1314.
[21] Hou L, Yu C P, Samaras D.Squared earth mover's distance loss for training deep neural networks on ordered-classes[C]//Proceedings of the Conference on Neural Information Processing Systems Workshop (NIPSW), Long Beach, 2017.
[22] Yang H F, Lin B Y, Chang K Y, et al. Automatic age estimation from face images via deep ranking[C]// Proceedings of the British Machine Vision Conference (BMVC). Swansea,UK:BMVA Press,2015:55.1-55.11.
[23] Niu Z, Zhou M, Wang L, et al. Ordinal regression with multiple output cnn for age estima-tion[C]//IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA:IEEE, 2016:4920-4928.
[24] Chen S, Zhang C, Dong M, et al. Using ranking-cnn for age estimation[C]// IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA:IEEE, 2017:742-751.
[25] Tan Z, Wan J, Lei Z, et al. Efficient group-n encoding and decoding for facial age estimation[J]. IEEE Transactions on Pattern Analysis and Ma-chine Intelligence, 2018, 40(11):2610- 2623.[DOI:10.1109/TPAMI.2017.2779808]
[26] Pan H Y, Han H, Shan S G, et al. Revised contrastive loss for robust age estimation from face[C]//The 24th International Conference on Pattern Recognition, Beijing, China, Aug. 20-24, 2018.
[27] X. Yang, B. B. Gao, C. Xing, et al., Deep label distribution learning for apparent age estima-tion[C]// IEEE International Conference on Computer Vision Workshop (ICCVW). Santiago, Chile:IEEE, 2015:344-350.
[28] Gao B B, Xing C, Xie C W, et al. Deep label distribution learning with label ambiguity[J]. IEEE Transactions on Image Processing.2017, 26 (6):2825-2838.
[29] Gao B B, Zhou H Y, Wu J, et al. Age estimation using expectation of label distribution learning [C]//International Joint Conference on Artificial Intelligence. Stockholm, Sweden.IJCAI, 2018:712-718.
[30] Antipov G, Baccouche M, Berrani S A, et al. Ap-parent age estimation from face images combining general and children-specialized deep learning models[C] //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshop (CVPRW), Las Vegas,USA:IEEE Press, 2016:801-809.
[31] Pan H, Han H, Shan S, et al. Mean-variance loss for deep age estimation from a face[C]// IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City, Utah, US.2018:5285-5294.
[32] Rodríguez P, Cucurull G, Gonfaus J M, et al. Age and gender recognition in the wild with deep attention[J]. Pattern Recognition,2017, 72:563-571.
[33] Zhang K, Liu N, Yuan X, et al. Fine-Grained Age Estimation in the wild with Attention LSTM Networks [C]//The 24th International Conference on Pattern Recognition, Beijing, China, Aug. 20-24, 2018.
[34] Ekmekji A. Convolutional neural networks for age and gender classification [EB/OL]. [2016-03-11] https://cs231n.stanford.edu/reports/2016/pdfs/003_Report.pdf.
[35] M. Duan, K. Li, K. Lia, An ensemble cnn2elm for age estimation[J], IEEE Transactions on Information Forensics and Security, 2018, 13(3):758-772.[DOI:10.1109/TIFS.2017.2766583]
[36] Han H, Jain A K, Shan S, et al.Heterogeneous face attribute estimation:a deep multi-task learning approach[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018,40(11):2597-2609.
[37] Liu K H, Liu T J. A structure-based human facial age estimation framework under a constrained condition [J]. IEEE Transactions on Image Processing, 2019,28(10):5187-5200.
[38] Li W, Lu J, Feng J, et al. BridgeNet: a continuity-aware probabilistic network for age estimation [C]// IEEE Conference on Computer Vision and Pattern Recognition. Long Beach, CA.2019:1145-1154.
[39] Zhang C, Liu S , Xu X, et al. C3AE: exploring the limits of compact model for age estimation [C]// IEEE Conference on Computer Vision and Pattern Recognition. Long Beach, CA.2019: 12587-12596.
[40] Zeng X, Ding C, Wen Y, et al. Soft-ranking label encoding for robust facial age estimation [EB/OL].2019-06-09. https://arxiv.org/abs/1906.03625.
[41] Gunay A, Nabiyev V V. Automatic age classification with lbp[C]// International Symposium on Computer and Information Sciences. Istanbul, Turkey.IEEE, 2008:1-4.
本文系《中国图象图形学报》独家稿件
本文内容仅供学习交流
版权属于原作者
编辑:韩小荷
指导/审核:梧桐君
声 明
前沿丨观点丨资讯丨独家
扫描下方二维码 关注学报公众号
中国图象图形学报 | 订阅号