Age Estimation

Adaptive Variance Based Label Distribution Learning For Facial Age Estimation》 ECCV 2020

标签分布学习(LDL)：

分布学习(Distribution learning)是为了解决标签模糊性问题而提出的一种学习方法。

假设真实年龄可以用离散分布来表示。分布的均值是真值年龄，分布的方差是未知的。

使用K-L散度衡量预测和真值分布之间的相似性，帮助改进年龄估计。

 

本文认为：同一人不同年龄的方差不同。同一年龄不同人的方差也不同。

提出一种基于自适应方差的分布学习方法(AVDL)：

1）使用K-L损失作为训练损失来更新训练模型参数。

2）将更新后的参数与验证模型共享，在验证集上使用预测的期望年龄和ground truth计算L1损失，自适应地寻找适当的方差，使模型在验证集上表现得更好。

《C3AE: Exploring the Limits of Compact Model for Age Estimation》CVPR2019

使用类似one-hot向量的两点表示法来表示年龄：

对于一个给定的年龄区间[a,b]，将年龄区间均匀划分为K个小区间，年龄y可以用 表示：， ， 

 

 

例如k=10: 

  

将年龄的两点表示和真实的年龄用来同时指导网络模型的训练。
两点表示的loss采用KL-Divergence:

最终的年龄预估阶段的loss采用L1距离：

       =10

 对特征进行concat操作

 

 

 《Mean-Variance Loss for Deep Age Estimation from a Face》CVPR 2018

均值方差损失：由均值损失和方差损失组成。

均值损失用于惩罚估计的年龄分布的均值与真实年龄之间的不同:

 

方差损失用于惩罚估计的年龄分布的方差，以获得一个集中的分布：

提出的均值方差损失和softmax损失联合嵌入到CNN中用于年龄估计。

      

 

 《SSR-Net: A Compact Soft Stagewise Regression Network for Age Estimation​​​​​​》

DEX:  将年龄预测回归问题变为多分类问题.

将年龄均分为S个年龄段，即对于[0,V]的年龄跨度，每个年龄段跨度为V/S.

对于一个 S类的分类模型，取其每一类的概率与当前类的代表年龄的加和作为最终的预测值.

使用由粗到细的多阶段预测策略: 将任务分为K个阶段的多分类任务,第k阶段有sk个bins.

我们通过为每个bin引入一个动态范围，允许每个bin根据输入图像进行移动和缩放。

缩放：  此时bin的宽度为：

平移： 

最终网络输出： ，年龄：

 损失函数：最小化平均误差函数。