文章目录
Deep label refinement for age estimation
背景
1.不同性别/种族的人类年龄差异不同
2.面部图像中光照、姿势、表情、化妆会影响年龄估计的精度
3.模型的泛化能力,很难获得准确的真实年龄
标签分布学习可以解决不同年龄之间的相关性和不确定性,提高数据的利用率。
附:标签分布学习(Label Distribution Learning, LDL)的任务是让模型取学习一个样本的标签分布(Label Distribution),即每一个维度都反映对应标签程度的一种概率分布。这样的标签概率分布可以比one-hot更好地表示一个样本的情况,原因主要有以下:
1.一个标签跟样本是否有关,是一个相对的概念,即没有一个“判断是否相关”的绝对标准;
2.当多个标签都跟样本相关时,它们的相关程度一般也是不同的;
3.多个跟样本不相关的标签,它们的不相关程度也一般是不同的。
网络图Label distribution refinery
The initial ancestor
标签分布学习的初始网络 R θ 1 R_{\theta_1} Rθ1的目标是最小化交叉熵损失函数,将预测的标签分布 p 1 p_1 p1转移到子代网络 R θ 2 R_{\theta_2} Rθ2中
给定一个输入实例 x x