Mean-Variance-Loss für die tiefen Altersschätzung aus einem Gesicht

Die Altersschätzung weist vielfältige Anwendungsperspektiven in Bereichen wie Videoüberwachung, soziale Netzwerke und Mensch-Computer-Interaktion auf. Allerdings behandeln viele der veröffentlichten Ansätze zur Altersschätzung das Problem lediglich als exakte Regressionsaufgabe, wodurch die Robustheit einer Verteilung bei der Darstellung von unscharfen Etiketten – wie beispielsweise Altersangaben – nicht ausgenutzt wird. In diesem Paper stellen wir eine neue Verlustfunktion vor, die sogenannte Mean-Variance-Verlustfunktion, für eine robuste Altersschätzung mittels Verteilungslernen. Konkret besteht der Mean-Variance-Verlust aus einem Mittelwert-Verlust, der die Differenz zwischen dem Mittelwert der geschätzten Altersverteilung und dem tatsächlichen Alter bestraft, sowie einem Varianz-Verlust, der die Varianz der geschätzten Altersverteilung minimiert, um eine konzentrierte Verteilung zu gewährleisten. Die vorgeschlagene Mean-Variance-Verlustfunktion wird gemeinsam mit der Softmax-Verlustfunktion in Convolutional Neural Networks (CNNs) integriert, um die Altersschätzung durchzuführen, wobei die Netzwerkgewichte mittels stochastischer Gradientenabstieg (SGD) in einer end-to-end-Lernweise optimiert werden. Experimentelle Ergebnisse auf mehreren anspruchsvollen Gesichts-Alterungs-Datenbanken (FG-NET, MORPH Album II und CLAP2016) zeigen, dass der vorgeschlagene Ansatz mit einem einzelnen Modell die derzeit besten Methoden deutlich übertrifft.