تقدير العمر بدقة عالية في البيئة الطبيعية باستخدام شبكات LSTM مع الانتباه

تقدير العمر من صورة وجه واحدة كان مهمًا في مجال التفاعل بين الإنسان والحاسوب ورؤية الحاسوب، حيث يتمتع بقيمة عملية واسعة النطاق. دقة تقدير العمر لصور الوجه في البيئات الطبيعية نسبيًا منخفضة للطرق الحالية، لأنها تأخذ في الاعتبار فقط الخصائص العالمية وتغفل الخصائص الدقيقة للمناطق الحساسة للعمر. نقترح طريقة جديدة تعتمد على شبكتنا ذات الذاكرة طويلة المدى قصيرة المدى مع آلية الانتباه (AL) لتقدير العمر بدقة عالية في البيئات الطبيعية، مستوحاة من الفئات الدقيقة والآلية البصرية للانتباه.تجمع هذه الطريقة بين نماذج الشبكات المتبقية (ResNets) أو نموذج الشبكة المتبقية للشبكة المتبقية (RoR) مع وحدات LSTM لبناء شبكات AL-ResNets أو AL-RoR لاستخراج الخصائص المحلية للمناطق الحساسة للعمر، مما يحسن بشكل فعال دقة تقدير العمر. أولاً، يتم اختيار نموذج ResNets أو RoR مُدرب مسبقًا على مجموعة بيانات ImageNet كنموذج أساسي، ثم يتم ضبطه بدقة على مجموعة بيانات IMDB-WIKI-101 لتقدير العمر. ثانياً، يتم ضبط ResNets أو RoR بدقة على مجموعات البيانات المستهدفة للعمر لاستخراج الخصائص العالمية لصور الوجه.للاستخراج الدقيق للخصائص المحلية للمناطق الحساسة للعمر، يتم استخدام وحدة LSTM لاكتساب إحداثيات المنطقة الحساسة للعمر تلقائيًا. أخيرًا، يتم إجراء تصنيف الفئات العمرية مباشرة على مجموعة بيانات Adience، ويتم تنفيذ تجارب الانحدار العمري باستخدام خوارزمية Deep EXpectation (DEX) على مجموعات البيانات MORPH Album 2 و FG-NET و 15/16LAP. من خلال الجمع بين الخصائص العالمية وال محلية، نحصل على نتائج التنبؤ النهائية.توضح النتائج التجريبية فعالية ومتانة الطريقة المقترحة AL-ResNets أو AL-RoR في تقدير العمر في البيئات الطبيعية، حيث تحقق أداءً أفضل من جميع الشبكات العصبية التلافيفية الأخرى.