【论文解读】DLDL: Deep Label Distribution Learning With Label Ambiguity（年龄估计）

1. 介绍

论文地址：https://arxiv.org/pdf/1611.01731v2.pdf

代码：https://github.com/gaobb/DLDL

针对问题：年龄估计

（1）缺乏精确标签的训练图像；

（2）既不属于回归问题，也不属于分类问题；

• 回归问题的回归曲线是静态的，而年龄估计是 每个人服从单独的回归曲线，是动态的；
• 标签间存在模糊的信息，   使得这些任务不同于传统的分类任务，   softmax仅仅强调了类间差异的最大化，却忽略了年龄问题本身的连续性。

主要贡献：

（1）将每幅图像的标签转换为离散的 标签分布，并利用KL散度拟合标签分布；

（2）提出的DLDL方法在特征学习和分类器学习中都有效地利用了标签的模糊性，即使训练集很小，也能有效地防止网络的过度拟合;

（3）结果表明，该方法比现有的年龄估计和头位估计方法具有更好的估计效果。同时，它也提高了多标签分类和语义分割任务的识别性能。

     

2. 方法

理想的标签分布y=（y1，y2，...，yC）必须满足一些基本原则：

• y应该是一个概率分布；
• 概率值i应在与图像相关联的所有可能标签之间存在差异。 即一个不那么模棱两可的类别必须被赋予高概率，而那些更模棱两可的标签必须具有低概率

为达到这两个原则，文章的主要思想是将真实年龄转换成以该年龄值为均值的正态分布，即：

用softmax拟合该正态分布：

最后的预测年龄有两种方法获得：

3. 实验

（1）评价指标

（2）标签分布

（3）实验结果