초록
연령 추정은 영상 감시, 소셜 네트워킹, 인간-컴퓨터 상호작용 등 다양한 분야에서 광범위한 응용 가능성을 지닌다. 그러나 기존에 발표된 많은 연령 추정 기법들은 단순히 연령 추정을 정확한 연령 회귀 문제로만 간주하여, 연령과 같은 모호한 레이블을 표현하는 데 있어 분포의 강건성(로버스트성)을 충분히 활용하지 못했다. 본 논문에서는 분포 학습을 통해 강건한 연령 추정을 가능하게 하는 새로운 손실 함수인 '평균-분산 손실(Mean-Variance Loss)'을 제안한다. 구체적으로, 평균-분산 손실은 추정된 연령 분포의 평균과 정답 연령 간의 차이를 벌리는 평균 손실과, 추정된 연령 분포의 분산을 최소화하여 분포가 집중되도록 하는 분산 손실로 구성된다. 제안된 평균-분산 손실과 소프트맥스 손실(Softmax Loss)은 병렬적으로 컨볼루션 신경망(Convolutional Neural Networks, CNNs)에 통합되어 연령 추정을 수행하며, 전체 네트워크 가중치는 엔드투엔드(end-to-end) 학습 방식으로 확률적 경사 하강법(Stochastic Gradient Descent, SGD)을 통해 최적화된다. 다양한 도전적인 얼굴 노화 데이터베이스(FG-NET, MORPH Album II, CLAP2016)를 대상으로 수행한 실험 결과, 단일 모델을 사용함에도 불구하고 제안된 방법이 기존 최고 성능 기법들을 크게 상회함을 확인하였다.