A RANKING APPROACH FOR HUMAN AGE ESTIMATION BASED ON FACE IMAGES 笔记

概述

这是一篇icpr2010的文章，主题是人脸年龄估计，虽然年代已经十分久远，并且使用的也是传统机器学习方法（SVM)而非时下流行的深度学习，但文章中的ranking approach的思想仍然沿用至今.

文章首先提到，做年龄估计主要有两种方法：一种是多分类，把年龄的具体数值(整数)当成类别，这种做法的主要问题在于没有考虑到类别之间的相互联系，认为类与类之间是无关的，效果并不好；另一种是当作回归问题，这种做法虽然考虑到了年龄的具体数值之间的内在联系，但却忽略了人的老化并不是静态的过程，从5岁到10岁的变化和50岁到55岁的变化显然是不相同的，而在回归的度量函数中却认为是等价的，所以也存在缺陷.

作者认为，只有年龄之间的相对关系是稳定不变的，并且基于人们更善于比较两个人的年龄关系而非直接估计的观察，提出了用 SVM实现的ranking approch，将原本的多分类问题转变为若干个二分类问题.

方法

假设年龄的分布是1～70岁，那么整个年龄估计的大问题就分成了69个子问题，每个子问题都是一个二分类问题，分别为：是否大于1岁，是否大于2岁...是否大于69岁（显然不可能大于70岁）.对于每个二分类问题，都用如下形式进行计算：

 

也就是用若干平行的超平面（仅仅是偏置不同）对样本进行划分，每个f(xi,k)就是xi对于第k个二分类的输出结果.

函数φ(xi)是SVM理论的核函数中的映射，将xi从样本空间映射到高维空间，用于解决线性不可分问题.

最终，对于每个样本xi的年龄估计结果如下：

 

实验

分别在Morph和FG-NET两个数据集上实验，在CS和MAE两项指标中都取得了state-of-the-art的结果.

总结

这篇文章基于年龄这一标签独有的性质，提出了将多分类问题转化为多个二分类问题的重要方法，可以说为后面的ordinal regression理论在年龄估计这一领域的发展奠定了基础.