Ordinal Regression with Multiple Output CNN for Age Estimation笔记

本文介绍了cvpr2016的一篇论文,该论文提出使用多任务CNN结合有序回归来解决人脸年龄估计问题。主要创新点包括用端到端的CNN模型替换SVM,并创建了一个新的亚洲人脸年龄数据集AFAD。实验结果显示,CNN模型和有序回归能提高年龄估计的准确性。
摘要由CSDN通过智能技术生成

概述

这一篇cvpr2016的文章,主题是利用多输出CNN(多任务)结合有序回归的思想来解决人脸估计问题,主要的贡献点有两个:

1、用端到端的多任务CNN模型代替之前的SVM处理有序回归问题

2、提供了一个新的以亚洲人为主的人脸年龄数据集AFAD

方法

首先根据前人的思路,将多分类问题转化为多个二分类问题,更好地利用年龄之间相对关系不变的性质,其次将模型换成端到端的多任务CNN模型,更好地将特征提取和分类相结合,基于低层信息共用的思想,整个网络只有一个特征提取器,提取的特征被后面的多任务共享,整个模型框架如下:

 

这里的CNN结构由于年代的原因就不用再仔细研究了,如今的人脸问题大多采用预训练的VGG16或者残差网络.

损失函数就是采用的交叉熵:

 

实验

实验在morph和AFAD两个数据集上进行,分别将SVM,MR-CNN(当成回归模型,L2-loss)和ORCNN进行对比,发现CNN模型和Ordinal Regression都对结果有一定的提升:

支持向量机学习用于有序回归,是一种机器学习方法,用于处理具有有序标签值的分类问题。有序回归问题在许多实际应用中都非常常见,例如对产品评价的情感分析、用户满意度预测等。 支持向量机(Support Vector Machine,SVM)是一种二分类模型,其目标是找到一个超平面,将不同类别的样本分开,并且使得分隔间隔最大。在支持向量机学习中,核心思想是将高维特征空间映射到一个更低维的特征空间,从而将复杂的非线性问题转化为线性可分的问题。 在有序回归任务中,支持向量机学习的目标是通过训练数据集找到一个有序的分类函数,将输入样本映射到有序标签值上。为了解决有序回归问题,可以使用一种称为“比较类别”的方法,即将问题转化为将输入样本与一组比较类别进行比较的问题。 支持向量机学习在有序回归中的应用具有一些优势。首先,支持向量机可以通过引入核函数来处理非线性关系,提高对于复杂数据的建模能力。其次,支持向量机具有良好的推广能力,可以在训练数据集之外进行准确的预测。此外,支持向量机可以通过调整超参数来灵活地适应不同的任务和数据集。 总之,支持向量机学习是一种有效的方法,可以用于解决有序回归问题。它可以通过映射特征空间和引入核函数来处理非线性关系,并且具有良好的推广能力和灵活的参数调整能力。在实际应用中,我们可以基于支持向量机学习方法来开发有效的有序回归模型,提取有序标签值与输入样本之间的关系,实现准确的预测和分类。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值