《Deeply-Learned Feature for Age Estimation》论文阅读笔记

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，然后串联起来，但是这样维数很大，于是引出降维的使用，使用PCA不会降低精度，但是训练速度会加快，于是后面再降维上，作者提出使用流形学习的三种方法：

Marginal Fisher Analysis (MFA) 、Orthogonal Locality Preserving Projections (OLPP) 、 and Locality Sensitive Discriminant Analysis 。

对比试验如下：

文章试验使用的数据集是：其中FG-NET更适合。

在试验中，使用回归和分类用于年龄估计，四种方法的结果如下，其中SVM用于分类，SVR等用于回归。最后作者证明不论是提取一层特征还是提取多层特征，效果都是比其他的方法好。