HyperAIHyperAI
vor 2 Monaten

C3AE: Die Grenzen kompakter Modelle für das Altersschätzen erforschen

Chao Zhang; Shuaicheng Liu; Xun Xu; Ce Zhu
C3AE: Die Grenzen kompakter Modelle für das Altersschätzen erforschen
Abstract

Das Alter schätzen ist ein klassisches Lernproblem im Bereich der Computer Vision. Es wurden viele größere und tiefer gehende CNNs (Convolutional Neural Networks) vorgeschlagen, die vielversprechende Leistungen erzielen, wie zum Beispiel AlexNet, VggNet, GoogLeNet und ResNet. Allerdings sind diese Modelle für eingebettete oder mobile Geräte nicht praktikabel. Kürzlich wurden MobileNets und ShuffleNets vorgestellt, um die Anzahl der Parameter zu reduzieren und somit leichtgewichtige Modelle zu erstellen. Dennoch wurde ihre Darstellung aufgrund der Verwendung von tiefen separablen Faltungen geschwächt. In dieser Arbeit untersuchen wir die Grenzen kompakter Modelle für kleine Bilder und stellen ein extrem kompaktes und dennoch effizientes Kaskadenkontextbasiertes Altersschätzungsmodell (C3AE) vor. Dieses Modell verfügt über nur 1/9 und 1/2000 der Parameter im Vergleich zu MobileNets/ShuffleNets und VggNet, während es wettbewerbsfähige Leistungen erzielt. Insbesondere definieren wir das Problem der Altersschätzung neu durch eine Zwei-Punkte-Darstellung, die durch ein kaskadenförmiges Modell implementiert wird. Des Weiteren wird ein mehrverzweigtes CNN-Netzwerk vorgeschlagen, um mehrskalige Kontextinformationen vollständig zu nutzen. Experimente wurden auf drei Altersschätzungsdatensätzen durchgeführt. Mit einem relativ großen Vorsprung wurde der Stand der Technik bei kompakten Modellen erreicht.请注意,虽然您提到的是“使其更符合法语读者的阅读习惯”,但根据您的要求,我已将文本翻译成德语。如果您需要法语翻译,请告知我。

C3AE: Die Grenzen kompakter Modelle für das Altersschätzen erforschen | Forschungsarbeiten | HyperAI