BridgeNet: Ein kontinuitätssensibles probabilistisches Netzwerk für Altersschätzung

Das Alter schätzen ist ein wichtiges, aber sehr herausforderndes Problem im Bereich der Computer Vision. Bestehende Methoden zur Altersschätzung wenden in der Regel eine Teile-und-Herrsche-Strategie an, um heterogene Daten zu bearbeiten, die durch den nichtstationären Alterungsprozess verursacht werden. Dennoch ist der Gesichtsalterungsprozess auch ein kontinuierlicher Prozess, und das Kontinuitätsverhältnis zwischen verschiedenen Komponenten wurde bisher nicht effektiv genutzt. In dieser Arbeit schlagen wir BridgeNet für die Altersschätzung vor, welche darauf abzielt, das kontinuierliche Verhältnis zwischen Altersetiketten effektiv zu erforschen. Das vorgeschlagene BridgeNet besteht aus lokalen Regressoren und Schaltwerknetzen (gating networks). Die lokalen Regressoren unterteilen den Datenspace in mehrere überlappende Subspaces, um heterogene Daten zu behandeln, während die Schaltwerknetze gewichtete Werte lernen, die die Kontinuität berücksichtigen, indem sie die vorgeschlagene Brücke-Baumstruktur (bridge-tree structure) verwenden. Diese Struktur führt Brückenverbindungen in Baummodelle ein, um die Ähnlichkeit zwischen benachbarten Knoten zu erzwingen. Darüber hinaus können diese beiden Komponenten von BridgeNet auf end-to-end-Basis gemeinsam gelernt werden. Wir präsentieren experimentelle Ergebnisse auf den Datensätzen MORPH II, FG-NET und Chalearn LAP 2015 und stellen fest, dass BridgeNet den aktuellen Stand der Technik übertreffen kann.