AgeNet : Régresseur et classificateur profondément appris pour une estimation robuste de l'âge apparent

L’estimation de l’âge apparent à partir d’une image faciale attire de plus en plus d’attention en raison de son intérêt dans diverses applications du monde réel. Dans ce travail, nous proposons une approche d’apprentissage end-to-end pour une estimation robuste de l’âge apparente, que nous nommons AgeNet. Plus précisément, nous abordons le problème d’estimation de l’âge apparente en fusionnant deux types de modèles : des modèles de régression basés sur des valeurs réelles et des modèles de classification fondés sur une distribution de labels gaussienne. Pour chacun de ces deux types de modèles, nous utilisons un réseau de neurones convolutif profond à grande échelle afin d’apprendre des représentations d’âge informatives. Une autre caractéristique clé d’AgeNet réside dans l’utilisation d’un schéma de transfert d’apprentissage général-spécifique, visant à éviter le surajustement sur un jeu de données d’entraînement à petit volume pour l’âge apparent. Techniquement, AgeNet est d’abord pré-entraîné sur un grand jeu de données facial collecté sur le web, étiqueté par identité, puis finement ajusté sur un grand jeu de données d’âge réel comportant des étiquettes d’âge bruitées. Enfin, il est finement ajusté sur un petit jeu d’entraînement étiqueté avec des âges apparents. Les résultats expérimentaux obtenus sur le concours ChaLearn 2015 sur l’estimation de l’âge apparent démontrent que notre modèle AgeNet atteint une performance de pointe dans ce domaine.