摘要
从面部图像中估计年龄通常被视为一个非线性回归问题。该问题的主要挑战在于，由于同一年龄的不同个体在面部外观上存在较大差异以及老化模式的非平稳特性，导致与年龄相关的面部特征空间具有异质性。本文提出了一种端到端模型——深度回归森林（Deep Regression Forests, DRFs），用于年龄估计。DRFs 将分裂节点连接到卷积神经网络（Convolutional Neural Network, CNN）的全连接层，并通过在分裂节点处联合学习输入依赖的数据分区以及在叶节点处学习数据抽象来处理异质数据。这种联合学习遵循一种交替策略：首先，在固定叶节点的情况下，通过反向传播优化分裂节点及 CNN 参数；然后，在固定分裂节点的情况下，通过迭代一种无步长且快速收敛的更新规则（该规则源自变分界）来优化叶节点。我们在三个标准的年龄估计基准数据集上验证了所提出的 DRFs 模型，并在所有这些数据集上均取得了最先进的结果。