Quantifizierung des Gesichtsalters durch die Posterior von Altersvergleichen

Wir stellen einen neuen Ansatz zur Annotation großer Mengen von natürlichen Gesichtsbildern mit hochwertigen a-posteriori Altersverteilungen als Labels vor. Jede a-posteriori Verteilung bietet eine Wahrscheinlichkeitsverteilung der geschätzten Alterswerte für ein Gesicht. Unser Ansatz basiert auf der Beobachtung, dass es einfacher ist, zu erkennen, wer von zwei Personen die Ältere ist, als das tatsächliche Alter einer Person zu bestimmen. Gegeben sind eine Referenzdatenbank mit Proben bekannter Alterswerte und ein zu annotierendes Datenset; wir können verlässliche Annotationen von der erstgenannten zur letzteren durch menschliche Vergleiche (human-in-the-loop) übertragen. Wir zeigen eine effektive Methode, wie solche Vergleiche durch voll verbundene Schichten und SoftMax-Layer in eine a-posteriori Verteilung transformiert werden können, um eine end-to-end Schulung in einem tiefen Netzwerk zu ermöglichen. Dank des effizienten und effektiven Annotationssystems sammeln wir einen neuen groß angelegten Datensatz von Gesichtsaltern, den wir „MegaAge“ nennen. Dieser besteht aus 41.941 Bildern. Die Daten können auf unserer Projektseite mmlab.ie.cuhk.edu.hk/projects/MegaAge und github.com/zyx2012/Age_estimation_BMVC2017 heruntergeladen werden. Mit diesem Datensatz trainieren wir ein Netzwerk, das simultan ordinale Hyperebenenklassifikation und das Lernen von a-posteriori Verteilungen durchführt. Unser Ansatz erzielt Stand-der-Technik-Ergebnisse auf bekannten Benchmarks wie MORPH2, Adience und dem neu vorgeschlagenen MegaAge.