Quantification de l'âge facial par la postériorité des comparaisons d'âge

Nous présentons une nouvelle approche pour l'annotation de grandes quantités d'images faciales naturelles avec des distributions d'âge postérieures de haute qualité en tant qu'étiquettes. Chaque distribution postérieure fournit une probabilité des âges estimés pour un visage. Notre approche est motivée par l'observation qu'il est plus facile de distinguer qui est le plus âgé entre deux personnes que de déterminer l'âge réel d'une personne. Étant donné une base de référence contenant des échantillons d'âges connus et un jeu de données à étiqueter, nous pouvons transférer des annotations fiables du premier au second grâce à des comparaisons assistées par l'homme (human-in-the-loop). Nous montrons une méthode efficace pour transformer ces comparaisons en distributions postérieures via des couches entièrement connectées et SoftMax, permettant ainsi une formation bout-à-bout dans un réseau profond. Grâce à cette approche d'annotation efficace et performante, nous avons collecté un nouveau jeu de données facial d'âge à grande échelle, appelé « MegaAge », composé de 41 941 images. Les données peuvent être téléchargées depuis notre page de projet mmlab.ie.cuhk.edu.hk/projects/MegaAge et github.com/zyx2012/Age_estimation_BMVC2017. Avec ce jeu de données, nous formons un réseau qui effectue conjointement la classification par hyperplan ordinal et l'apprentissage de la distribution postérieure. Notre approche obtient des résultats d'état de l'art sur des benchmarks populaires tels que MORPH2, Adience et le nouvellement proposé MegaAge.