摘要
在野外进行年龄和性别识别是一项极具挑战性的任务：除了条件的多样性、姿态复杂性和图像质量的差异外，还存在面部部分或完全被遮挡的情况。我们提出了一种名为MiVOLO（多输入VOLO）的方法，利用最新的视觉变换器进行年龄和性别估计。我们的方法将这两个任务整合到一个统一的双输入/输出模型中，不仅利用了面部信息，还结合了人物图像数据。这提高了我们模型的泛化能力，即使在图像中面部不可见的情况下也能提供令人满意的结果。为了评估我们提出的模型，我们在四个流行的基准数据集上进行了实验，并取得了最先进的性能，同时展示了实时处理的能力。此外，我们基于Open Images Dataset引入了一个新的基准数据集。该基准数据集的真实注释由人工标注者精心生成，通过智能汇总投票结果，确保了高精度的答案。进一步地，我们将模型的年龄识别性能与人类水平的准确性进行了比较，并证明在大多数年龄段上，我们的模型显著优于人类。最后，我们向公众开放了我们的模型，并提供了验证和推理代码。此外，我们为所使用的数据集提供了额外的注释，并介绍了我们的新基准数据集。