Ordinal Regression with Multiple Output CNN for Age Estimation笔记

最新推荐文章于 2021-11-29 17:48:02 发布
最新推荐文章于 2021-11-29 17:48:02 发布
阅读量1.3k 收藏 1
点赞数 1
文章标签： 论文笔记 CNN 有序回归
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/MatouKariya/article/details/82562358
版权
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:

最低0.47元/天 解锁文章
MatouKariya
关注
Ordinal Regression with Multiple Output CNN for Age Estimation-（系列一_年龄估计）
qq_996686006的博客
06-28 1031
文章目录Ordinal Regression with Multiple Output CNN for Age Estimation Ordinal Regression with Multiple Output CNN for Age Estimation
Ordinal Regression with Multiple Output CNN for Age Estimation
u011961856的专栏
01-05 3314
文献提出了结合CNN和回归进行年龄预测的端到端的深度学习网络,网络结构图如下,输入为60×60×360\times60\times3的图像,网络的前三层为三个卷积层,前两个卷积层为convolution+relu+batchnorm+pooling,第三个卷积层为convolution+relu+batchnorm结构,卷积层之后是两个全连接层,第一个FC的输出通道为80,由于年龄预测为100个类别
年龄估计——Ordinal Regression with Multiple Output CNN
小花生的博客
08-06 2647
《Ordinal Regression with Multiple Output CNN for Age Estimation》 CVPR2016，Zhenxing Niu et al 将传统的年龄回归问题转化为一系列二分类的子问题。 网络结构： 经过三个卷积层后，紧接着一个全连接层，然后输出k-1个通道的二分类任务。 把k个等级的顺序回归问题同，转换成k-1个二分类的子问题，对于...
论文复现：Ordinal Regression with Multiple Output CNN for Age Estimation-2016 CVPR
DeniuHe的博客
07-05 345
该论文是对2001年Frank的一篇二分类分解的序分类模型的卷积神经网络的拓展。 Frank E, Hall M. A simple approach to ordinal classification[C]//European Conference on Machine Learning. Springer, Berlin, Heidelberg, 2001: 145-156. 该二分类分解方法的缺点就是预测类别之间的概率不一致性，有可能出现负概率的问题。但总之不影响模型的预测。 对...
年龄估计：Ordinal Regression
zhangxu
06-09 1万+
前言 年龄估计任务 年龄估计，顾名思义就是要从人脸图片中估计出对象的年龄，一般情况下是一个整数，而不是年龄段（中年，青年）和小数（25.5），这一点符合人的常理，我们在提及自己的年龄时，也不会说“我今年25.5岁”。 在人脸应用中，年龄估计一般会作为人脸属性识别中的一个属性，就像下面这张图呈现出的效果（来源于百度demo） 常用方法 ...
论文复现 Rank consistent ordinal regression for neural networks withapplication to age estimation
DeniuHe的博客
07-06 384
import torch import torch.nn.functional as F from torch import nn from torch.autograd import Variable import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score from sklearn....
Large Margin Rank Boundaries for Ordinal Regression
12-10
本文主要探讨了在序回归（Ordinal Regression）领域内如何运用大边际（Large Margin）方法来定义等级边界的问题。序回归是一种用于处理有序分类变量预测问题的统计学习方法，与传统的二分类或多分类问题不同，它假设...
损失函数
my_god2008的博客
12-16 419
题目（142）：有监督学习涉及的损失函数有哪些？请列举并简述它们的特点。 解释角度 不同Label类型对应的损失函数：categorical (binary/multi-class classification), ordinal (ordinal classification), continuous (regression) classification: 0-1 loss and its ...
Automatic Age Estimation Based on Facial Aging Patterns
03-25
Automatic Age Estimation Based on Facial Aging Patterns
context-aware learning to rank with self-attention
liguandong
11-29 767
Transformer 在美团搜索排序中的实践_美团技术团队-CSDN博客引言美团搜索是美团 App 连接用户与商家的一种重要方式，而排序策略则是搜索链路的关键环节，对搜索展示效果起着至关重要的效果。目前，美团的搜索排序流程为多层排序，分别是粗排、精排、异构排序等，多层排序的流程主要是为了平衡效果和性能。其中搜索核心精排策略是 DNN 模型，美团搜索始终贴近业务，并且结合先进技术，从特征、模型结构、优化目标角度对排序效果进行了全面的优化。近些年，基于 Transfo...https://blog.csdn.
Deep Ordinal Regression Network for Monocular Depth Estimation
weixin_44529634的博客
09-06 3153
一.Deep Ordinal Regression Network for Monocular Depth Estimation 用于单目深度估计的深度有序回归网络 CVPR 2018 在3D视觉感知主题里，单目图像深度估计是一个重要并且艰难的任务。虽然目前的方法已经取得了一些不错的成绩，但是这些方法普遍忽略了深度间固有的有序关系。针对这一问题，我们提出在模型中引入排序机制来帮助更准确地估计图像的深度信息。具体来说，我们首先将真值深度（ground-truth depth）按照区间递增（SID）的方法预分为
特征处理（Feature Processing）
yuzhi829的专栏
07-08 2376
原文链接：http://breezedeus.github.io/2014/11/15/breezedeus-feature-processing.html 特征工程（Feature Engineering）经常被说为机器学习中的black art，这里面包含了很多不可言说的方面。怎么处理好特征，最重要的当然还是对要解决问题的了解。但是，它其实也有很多科学的地方。这篇文章我之所以命名为特
《Deeply-Learned Feature for Age Estimation》论文阅读笔记
cwt19902010的专栏
10-15 1818
这是IEEE的一篇文章，因为和我做的有点关系，于是拜读之。 论文的idea：使用CNN提取特征后，再用流形学习来降维，最后来做回归或者分类。 论文中的CNN网络结构： 两个convolution,两个pooling，再加一个fc,其中第一个convolution的size为5*5，第二个为7*7，pooling为2*2。 作者提出将L2到L6层的特征全部提取出来，然后串联起
论文阅读Learning Face Age Progression: A Pyramid Architecture of GANs
backer
12-09 996
这篇论文主要是为了解决在人脸预测的时候同时保留年龄特征和身份特征，使用GAN网络，以及金字塔模型。与以前的方法相比，还提到了前额和头发在年老时候的影响，同时可以在化妆以及不同姿态下进行预测。 Abstract 面部年龄进展的两个基本要求，即老化准确性和身份持久性，在文献中没有得到很好的研究。在本文中，我们提出了一种新的基于生成对抗网络的方法。它分别模拟内在受试者特征和年龄特定面部变化相对于经过...
基于学习的编码（五）：MCNN
热门推荐
Dillon2015的博客
07-02 5万+
基于学习的编码（五）：MCNN 本文介绍的算法来自JVET-P0489，是对基于学习的编码（三）：ACNNLF的改进。ACNNLF是在线（online）训练，而MCNN是离线（offline）训练。 网络结构 MCNN（Multiple CNN）是离线（offline）训练，可以使用更深的网络结构。 上图是亮度分量的网络结构，可以看出该网络很深，有9个卷积层。 Inception layer都是3x3和5x5的32通道卷积。 Convolutional layer都是3x3.
CNN
ScienceRecord
08-14 453
 CNN   CNN,卷积神经网络，大量用于计算机视觉|图像处理，在图像识别、目标检测、图像分割等领域的运用可以取到传统计算机视觉难以达到的精度和效果。 引入   全连接网络当输入层特征维度较高时，由于中间层神经元全连接，需要训练的参数（权值、偏移等）较多，需要进行大量运算，网络训练速度很慢。因此，引入CNN，卷积层的神经元与前层仅部分连接|非全连接，且同一层中某些神经元的连接权重和偏移共享（...
ZED Board从入门到精通系列（八）——Vivado HLS实现矩阵相乘
卜居
01-29 2万+
终于到了HLS部分。HLS是High Level Synthesis的缩写，可以将高级程序设计语言C，C++，SystemC综合为RTL代码的工具。   生产力的发展推动了设计模式。在电子技术初级阶段，人们关注的是RLC电路，通过建立微分方程求解电路响应。门级电路是对RLC的初步封装，人们进而采用布尔代数、卡诺图进行电路设计与分析。之后随着集成电路进一步发展，门电路可以集成为寄存器、触发器、R
support vector learning for ordinal regression
最新发布
08-18
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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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