摘要
基于图像的年龄估计旨在从人脸图像中预测个体的年龄，广泛应用于各类实际场景。尽管端到端的深度学习模型在基准数据集上已取得令人瞩目的成绩，但由于头部姿态、面部表情及遮挡等因素带来的巨大变化，其在真实环境（in-the-wild）下的表现仍有显著提升空间。为应对这一挑战，本文提出一种简单而有效的方法，通过显式引入面部语义信息，使模型能够从未对齐的人脸图像中，无论面对何种头部姿态或非刚性形变，均能正确聚焦于最具信息量的面部区域。为此，我们设计了一种基于人脸分割的网络结构，用于在多尺度下学习语义特征，并进一步提出一种新颖的人脸分割注意力模块，以有效利用这些语义特征进行年龄估计。为在真实场景数据上评估所提方法，我们还构建了一个新的、具有挑战性的大规模基准数据集——IMDB-Clean。该数据集通过一种受限聚类方法，对原始噪声较大的IMDB-WIKI数据集进行了半自动清洗而得。在IMDB-Clean及其他多个基准数据集上，通过跨数据集与单数据集两种评估协议的全面实验，结果表明，本文方法始终优于现有所有年龄估计方法，达到了新的最先进水平。据我们所知，本工作首次尝试利用人脸分割注意力机制实现语义感知的年龄估计，为其他高层次人脸分析任务提供了新的思路与启发。代码与数据已公开于 \url{https://github.com/ibug-group/fpage}。