خسارة المتوسط والانحراف المعياري لتقدير العمر العميق من الوجه

تمتلك تقدير العمر إمكانات تطبيقية واسعة في مجالات متعددة، مثل المراقبة عبر الفيديو، والشبكات الاجتماعية، وتفاعل الإنسان مع الحاسوب. ومع ذلك، فإن العديد من الأساليب المنشورة لتقدير العمر تتعامل مع هذه المهمة كمشكلة انحدار دقيق للعمر، مما يعني أنها لا تستفيد من قوة تمثيل التوزيع في تمثيل العلامات الغامضة مثل الأعمار. في هذا البحث، نقترح دالة خسارة جديدة تُسمى "دالة الخسارة المتوسط-التباين" (Mean-Variance Loss) لتقدير عمر أكثر موثوقية من خلال التعلم التوزيعي. بشكل محدد، تتألف دالة الخسارة المتوسط-التباين من جزأين: جزء الخسارة المتوسطة، الذي يعاقب الفرق بين المتوسط المقدر لتوزيع العمر والقيمة الحقيقية للعمر، وجزء الخسارة التباينية، الذي يعاقب التباين في التوزيع المقدر لضمان تجميع التوزيع حول قيمة محددة. تم دمج دالة الخسارة المتوسط-التباين مع دالة الخسارة softmax بشكل مشترك داخل الشبكات العصبية التلافيفية (CNNs) لتقدير العمر، وتم تحسين أوزان الشبكة باستخدام خوارزمية الانحدار التدريجي العشوائي (SGD) بطريقة تعلم من الطرف إلى الطرف. أظهرت النتائج التجريبية على عدد من قواعد بيانات التحدي في التقدم في العمر (FG-NET، MORPH Album II، وCLAP2016) أن النهج المقترح يتفوق على أحدث الأساليب المنشورة بفارق كبير باستخدام نموذج واحد فقط.