How Confident Are You in Your Estimate of a Human Age?
0 Abstract
① 问题:年龄估计具有不确定性,不确定性在儿童中较小,而在成年人中较大;
② 解决:提出了分布式标签学习框架label distribution learning framework。
1 Introduction
如上图,深度学习模型对人体步态年龄预测的不确定性在成年人中远大于在儿童之中。
步态年龄估计的不确定性原因解释:
① 身体形状的变化在幼年阶段非常剧烈,而在成年阶段变化则非常小;
② 不像面部年龄识别具有较多的纹理特征可以进行分析,步态识别中没有基于纹理的线索;
③ 虽然弯腰驼背、中年发福等特征可以作为步态年龄的特征,但这在很大程度上取决于个体特征。
本文的工作:
① 基于标签分布的不确定感知步态年龄估计:借鉴于人脸识别SOTA方法,采用MAE(真实年龄值与估计年龄值)+KLDiv(真实年龄分布于估计年龄分布)两个联合损失函数的更新,解决了GPR方法中难以区分【不同年龄具有相近的步态特征】的情况;
② 得到了步态年龄估计的SOTA精度:在OULP-Age数据集中达到了SOTA精度。
2 Related Work
步态年龄估计:
① 基于关节参数的年龄组估计方法(动作线索);
② 模板方法(GEI)或频率域分析方法;
③ 机器学习方法;
④ 深度学习方法(DenseNet);
⑤ GPR输出关于年龄的高斯分布。
⑥ 年龄分组的方法。
使用分布式标签框架的人脸年龄估计:
① IIS-LLD、CPNN;
② 融合多种不同的分布;
③ 根据人脸亲和图选择相邻的训练样本到测试样本,然后根据相邻人脸样本之间的跨年龄相关性构建标签分布;
④ MAE + KL散度的分布式标签框架;
3 Proposed Method
① 我们拥有什么?——我们有网络输出的【预测分布】和每个GEI的【年龄真实值】
② 我们需要什么?——我们要网络输出的【预测年龄真实值】和每个GEI的【真实年龄分布】
③ 怎么算?
对于【预测分布】->【预测年龄真实值】,只需要计算分布的期望:
对于【真实年龄值】->【真实年龄分布】,文章提出计算其高斯分布:
关于损失函数:
① 对于两个分布之间,采用KL散度损失:
② 对于两个真实值之间,采用均方差损失:
③ 联合损失函数(文章权重设置为相同):
与GPR-based方法对比:
GPR由于仅仅输出高斯分布,没有办法像本文方法一样体现出不同年龄段之不确定性的差异。
4 补充:啥是MCE(平均交叉熵)
① 作用:衡量估计概率的性能;
② 计算方式:
③ 它能反映什么:当地面真实年龄的估计概率较大时,估计年龄标签分布的对数可能性会变大,则说明估计性能更强。