CN110378306A - 年龄预测方法、装置及图像处理设备 - Google Patents

年龄预测方法、装置及图像处理设备 Download PDF

Info

Publication number
CN110378306A
CN110378306A CN201910674594.7A CN201910674594A CN110378306A CN 110378306 A CN110378306 A CN 110378306A CN 201910674594 A CN201910674594 A CN 201910674594A CN 110378306 A CN110378306 A CN 110378306A
Authority
CN
China
Prior art keywords
error
age
image
calculated
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910674594.7A
Other languages
English (en)
Other versions
CN110378306B (zh
Inventor
林煜
余清洲
许清泉
张伟
苏晋展
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Meitu Technology Co Ltd
Original Assignee
Xiamen Meitu Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen Meitu Technology Co Ltd filed Critical Xiamen Meitu Technology Co Ltd
Priority to CN201910674594.7A priority Critical patent/CN110378306B/zh
Publication of CN110378306A publication Critical patent/CN110378306A/zh
Application granted granted Critical
Publication of CN110378306B publication Critical patent/CN110378306B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提出一种年龄预测方法、装置及图像处理设备，图像处理设备通过多个第一图像样本对年龄预测模型进行训练，根据每个第一图像样本的样本标签及年龄预测模型对每个第一图像样本中目标人物的第一预测结果得到第一误差；对每个第一图像样本进行图像增益处理，根据年龄预测模型对图像增益处理后的每个第一图像样本的第二预测结果与该第一图像样本的第一预测结果得到第二误差；根据第一误差和第二误差得到综合误差，根据综合误差调整年龄预测模型的超参数直至年龄预测模型达到相应的优化条件。如此，可以减小场景因素对年龄预测模型的识别结果的影响，减小年龄预测模型基于同一人物在不同场景下拍摄的图像得到的年龄识别结果的差异。

Description

年龄预测方法、装置及图像处理设备
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种年龄预测方法、装置及图像处理设备。
背景技术
目前主要通过深度学习模型来对图像进行识别，以预测图像中人物的年龄。但对于同一人物在年龄一定的情况下在不同场景(如，不同背景、不同角度、不同光照条件等)所拍摄的图像，通过深度学习模型进行识别预测得到的年龄存在较大差异。
发明内容
有鉴于此，本申请实施例的目的之一在于提供一种年龄预测方法、装置及图像处理设备，以至少部分地改善上述问题。
为了达到上述目的，本申请实施例采用如下技术方案：
第一方面，本申请实施例提供一种年龄预测方法，应用于图像处理设备，所述方法包括：
获取训练数据集，所述训练数据集包括多个第一图像样本，每个第一图像样本设置有指示该第一图像样本中目标人物的真实年龄的样本标签；
通过年龄预测模型对每个第一图像样本进行处理，得到对该第一图像样本中目标人物的年龄的第一预测结果，采用第一损失函数对该第一预测结果与该第一图像样本的样本标签进行计算得到第一误差；
对每个第一图像样本进行图像增益处理；
通过所述年龄预测模型对图像增益处理后的每个第一图像样本进行处理，得到对该第一图像样本中目标人物的年龄的增益预测结果，采用第二损失函数对该增益预测结果和该第一图像样本的第一预测结果进行计算得到第二误差；
根据所述第一误差和所述第二误差计算得到综合误差，根据所述综合误差调整所述年龄预测模型的超参数，以使所述年龄预测模型满足预设优化条件。
可选地，根据本申请实施例第一方面提供的方法，所述训练数据集还包括多个样本组，每个样本组包括同一人物在不同拍摄条件下的至少两个第二图像样本；所述根据所述第一误差和所述第二误差计算得到综合误差的步骤，包括：
判断所述年龄预测模型的训练迭代次数是否达到设定的阈值；
若达到所述设定的阈值，则从一个所述样本组中选取两个第二图像样本，通过所述年龄预测模型对选取的两个第二图像样本分别进行处理，得到两个第二预测结果，根据所述两个第二预测结果及所述训练迭代次数计算得到第三误差；
使用预设算法对所述第一误差、所述第二误差及所述第三误差进行计算得到所述综合误差。
可选地，根据本申请实施例第一方面提供的方法，所述根据所述第一误差和所述第二误差计算得到综合误差的步骤，还包括：
若所述训练迭代次数没有达到所述设定的阈值，则使用所述预设算法对所述第一误差和所述第二误差进行计算得到所述综合误差。
可选地，根据本申请实施例第一方面提供的方法，所述根据所述两个第二预测结果及所述训练迭代次数计算得到第三误差的步骤，包括：
采用第三损失函数对所述两个第二预测结果进行计算得到一计算结果；
根据所述计算结果、所述训练迭代次数及一预设的调和系数计算得到所述第三误差。
可选地，根据本申请实施例第一方面提供的方法，所述第二损失函数和所述第三损失函数为CosineEmbeddingLoss函数。
第二方面，本申请实施例提供一种年龄预测装置，应用于图像处理设备，所述装置包括：
获取模块，用于获取训练数据集，所述训练数据集包括多个第一图像样本，每个第一图像样本设置有指示该第一图像样本中目标人物的真实年龄的样本标签；
训练模块，用于通过年龄预测模型对每个第一图像样本进行处理，得到对该第一图像样本中目标人物的年龄的第一预测结果，采用第一损失函数对该第一预测结果与该第一图像样本的样本标签进行计算得到第一误差；对每个第一图像样本进行图像增益处理；通过所述年龄预测模型对图像增益处理后的每个第一图像样本进行处理，得到对该第一图像样本中目标人物的年龄的增益预测结果，采用第二损失函数对该增益预测结果和该第一图像样本的第一预测结果进行计算得到第二误差；
参数调整模块，用于根据所述第一误差和所述第二误差计算得到综合误差，根据所述综合误差调整所述年龄预测模型的超参数，以使所述年龄预测模型满足预设优化条件。
可选地，根据本申请实施例第二方面提供的装置，所述训练数据集还包括多个样本组，每个样本组包括同一人物在不同拍摄条件下的至少两个第二图像样本；
所述训练模块判断所述年龄预测模型的训练迭代次数是否达到设定的预制，若达到所述设定的预制，则从一个所述样本组中选取两个第二图像样本，通过所述年龄预测模型对选取的两个第二图像样本分别进行处理，得到两个第二预测结果，根据所述两个第二预测结果及所述训练迭代次数计算得到第三误差，使用预设算法对所述第一误差、所述第二误差及所述第三误差进行计算得到所述综合误差。
可选地，根据本申请实施例第二方面提供的装置，所述训练模块在所述训练迭代次数没有达到所述设定的阈值的情况下，使用所述预设算法对所述第一误差和所述第二误差进行计算得到所述综合误差。
可选地，根据本申请实施例第二方面提供的装置，所述训练模块根据所述两个第二预测结果及所述训练迭代次数计算得到第三误差的方式为：
采用第三损失函数对所述两个第二预测结果进行计算得到一计算结果；
根据所述计算结果、所述训练迭代次数及一预设的调和系数计算得到所述第三误差。
第三方面，本申请实施例提供一种图像处理设备，包括处理器及机器可读存储介质，所述机器可读存储介质上存储有机器可执行指令，所述机器可执行指令被执行时促使所述处理器实现：本申请实施例第一方面提供的任意一种实施方式中的年龄预测方法。
相较于现有技术，本申请实施例提供的年龄预测方法、装置及图像处理设备，能够减小拍摄图像时的环境因素对年龄预测模型的识别结果的影响，使得年龄预测模型基于同一人物在不同场景下拍摄的图像的预测年龄的差异减小，从而使得识别结果更为稳定。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种图像处理设备的方框示意图；
图2为本申请实施例提供的一种年龄预测方法的流程示意图；
图3为图2所示步骤S25的子步骤示意图；
图4为图3所示步骤S33的子步骤示意图；
图5为本申请实施例提供的一种年龄预测装置的功能模块框图。
图标：100-图像处理设备；110-处理器；120-机器可读存储介质；130-系统总线；500-年龄预测装置；510-获取模块；520-训练模块；530-参数调整模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
请参阅图1，图1是本申请实施例提供的一种图像处理设备100的方框示意图。所述图像处理设备100可以是任意具有图像处理功能的电子设备，比如可以是服务器、个人计算机、智能终端、平板电脑等，本实施例对此没有限制。
所述图像处理设备100包括处理器110及机器可读存储介质120，所述处理器110和所述机器可读存储介质120经由系统总线130连接，以实现数据传输。所述机器可读存储介质120中存储有机器可执行指令，当所述机器可执行指令被调用并执行时，可以促使所述处理器110实现下文描述的年龄预测方法。
本实施例中，所述机器可读存储介质120还可以存储有与年龄预测模型对应的指令。所述年龄预测模型可以是深度学习模型，该深度学习模型实质上为一个分类模型，可以对输入图像进行处理并输出一个多维向量，所述多维向量每个维度的值表示所述输入图像中人物的一个预测年龄以及该人物为该预测年龄的概率大小。
值得说明的是，图1所示结构仅为示意，所述图像处理设备100还可以包括比图1所示更多或者更少的组件，或是具有与图1所示完全不同的配置。此外，图1所示的各个组件可以以软件、硬件或其组合来实现，本实施例对此没有限制。
请参阅图2，图2为本实施例提供的一种年龄预测方法的流程示意图，所述年龄预测方法可以应用于图1中示出的图像处理设备100。下面将对所述方法包括的各个步骤进行阐述。
步骤S21，获取训练数据集。
其中，所述训练数据集包括多个第一图像样本，每个第一图像样本中包含至少一个人物图像，其中，所占面积最大且基本位于第一图像样本中央的人物即为该第一图像样本中的目标人物。当第一图像样本被输入到年龄预测模型时，年龄预测模型会对该第一图像样本中的目标人物的年龄进行预测。
每个第一图像样本设置有样本标签，该样本标签用于指示该第一图像样本中目标人物的真实年龄。
步骤S22，通过年龄预测模型对每个第一图像样本进行处理，得到对该第一图像样本中目标人物的年龄的第一预测结果，采用第一损失函数对该第一预测结果与该第一图像样本的样本标签进行计算得到第一误差。
其中，第一预测结果为上述的多维向量，例如为80维度向量。所述第一损失函数可以是，但不限于，均方误差函数(MSE_LOSS)。以所述第一预测结果是80维向量、所述第一损失函数是均方误差函数为例，可以从所述80维向量中获取概率大于0.5的预测年龄大小，并根据获取的各个预测年龄大小与样本标签中的真实年龄大小计算均方差，计算得到的均方差即为所述第一误差。具体地，可以分别计算每个预测年龄大小与该真实年龄大小的差的平方，再对计算得到的多个平方求和，并进一步计算求得的和值的平方根即为所述均方差。为便于描述，后文用loss_age表示第一误差。
步骤S23，对每个第一图像样本进行图像增益处理。
其中，所述图像增益处理可以是，但不限于，镜像处理、旋转处理、亮度变换、噪声处理等。通过所述图像增益处理，可以模拟出同一人物在不同场景下的图像。
步骤S24，通过所述年龄预测模型对图像增益处理后的每个第一图像样本进行处理，得到对该第一图像样本中目标人物的年龄的增益预测结果，采用第二损失函数对该增益预测结果和该第一图像样本的第一预测结果进行计算得到第二误差。
针对每个经过所述年龄预测模型处理的第一图像样本，可以将图像增益处理后的该第一图像样本输入到所述年龄预测模型中，使得所述年龄预测模型输出一个预测结果。本实施例中，年龄预测模型基于图像增益处理后的第一图像样本输出的预测结果为增益预测结果，类似地，所述增益预测结果也是一个多维向量，且第一预测结果和增益预测结果的维度相同。
可选地，所述第二损失函数可以是，但不限于，CosineEmbeddingLoss函数、MSE-LOSS函数、Cross-Entropy函数等任意可以用于衡量相似度的损失函数。
其中，所述第二损失函数优选为CosineEmbeddingLoss函数。CosineEmbeddingLoss为余弦相似度的损失，用于衡量两个向量的相似度，其计算公式如下：
其中，x1和x2分别表示第一预测结果和增益预测结果；y为张量标签(Tensorlabel)，其值可以为1或-1；margin的值可以为-1到1之间的任意值，优选为0-0.5之间的值。
采用CosineEmbeddingLoss函数对增益预测结果和第一预测结果处理，即可得到所述第二误差loss_pairs。
在本实施例中，对上述步骤S22和步骤S23的执行顺序没有限制。例如，步骤S22和步骤S23可以并行执行，即，在获取到第一图像样本时，立即通过年龄预测模型对每个第一图像样本，与此同时，对每个第一图像样本进行图像增益处理。又如，可以在执行步骤S22之后再执行步骤S23，本实施例没有限制。
步骤S25，根据所述第一误差和所述第二误差计算得到综合误差，根据所述综合误差调整所述年龄预测模型的超参数，以使所述年龄预测模型满足预设优化条件。
在计算得到的综合误差之后，可以基于综合误差调整年龄预测模型的超参数，以对年龄预测模型进行优化。实施时，可以反复运行图2所示流程，直至年龄预测模型达到所述预设优条件。示例性地，所述优化条件可以是训练迭代次数达到特定值，通常大于后文描述的设定的阈值；所述优化条件还可以是综合误差满足预设收敛条件。本实施例对此没有限制。
本实施例中，在步骤S21中获取到的训练数据集还可以包括多个样本组，每个样本组包括同一人物在不同拍摄条件下的至少两个第二图像样本。值得说明的是，此处描述的同一人物的真实年龄固定，例如，样本组B包括第二图像样本B1、B2和B3，则第二图像样本B1、B2和B3均包含目标人物X，且第二图像样本B1、B2和B3为目标人物X在相同年龄、不同环境条件下拍摄得到的图像。在此情况下，步骤S25中，根据所述第一误差和所述第二误差计算得到综合误差可以通过如图3所示的流程实现。
步骤S31，判断所述年龄预测模型的训练迭代次数是否达到设定的阈值。若是，则执行步骤S32；若否，则可以执行步骤S35。
本实施例中，每处理一个图像样本，得到综合误差并基于综合误差进行一次参数调整的过程为一次训练迭代。通常，当迭代次数达到一定值时，表示年龄预测模型的准确度达到了一定水平。可选地，本实施例中可以将所述设定的阈值设置为8-12，例如10。当判断出年龄预测模型的训练迭代次数达到所述设定的阈值时，可以测试一下该年龄预测模型对同一人物在不同环境下拍摄的图像的年龄识别的误差，具体可以通过步骤S32和步骤S33实现。在计算得到该误差(即，第三误差)后，可以将该第三误差也作为综合误差的一部分，从而可以基于综合误差对超参数进行更为准确合理的调整。
步骤S32，从一个所述样本组中选取两个第二图像样本，通过所述年龄预测模型对选取的两个第二图像样本分别进行处理，得到两个第二预测结果。
其中，可以从训练数据集包括的多个样本组中随机地确定一个样本组，再从确定的样本组中随机地选取两个第二图像样本分别输入年龄预测模型，即可分别得到两个第二预测结果。
步骤S33，根据所述两个第二预测结果及所述训练迭代次数计算得到第三误差。
详细地，所述第三误差可以通过如图4所示的流程计算得到。
步骤S41，采用第三损失函数对所述两个第二预测结果进行计算得到一计算结果。
本实施例中，所述第三损失函数也可以是上述的CosineEmbeddingLoss函数，通过CosineEmbeddingLoss函数对前述的两个第二预测结果进行处理，得到的损失值loss_stable即为所述计算结果。
步骤S42，根据所述计算结果、所述训练迭代次数及一预设的调和系数计算得到所述第三误差。
详细地，在得到所述计算结果loss_stable之后，可以通过如下计算式计算得到所述第三误差：
loss_stable*(cof/epoch)，
其中，cof为所述预设的调和系数，例如可以为0.5；epoch表示所述训练迭代次数。
步骤S34，使用预设算法对所述第一误差、所述第二误差及所述第三误差进行计算得到所述综合误差。
在本实施例中，所述预设算法可以是求和或加权求和。在一个示例中，如果预设算法为求和算法，则可以综合误差Loss可以通过下式计算得到：Loss＝loss_age+loss_pairs+loss_stable*(cof/epoch)。
步骤S35，使用所述预设算法对所述第一误差和所述第二误差进行计算得到所述综合误差。
本实施例中，在年龄预测模型的训练迭代次数没有达到上述设定的阈值时，可以仅通过第一误差和第二误差来计算得到综合误差，所使用的算法和步骤S34相同。例如，可以通过对第一误差和第二误差进行求和或加权求和得到。
通过上述设计，可以得到年龄识别结果更为稳定的年龄预测模型，减小环境因素对年龄识别结果的影响。
请参照图5，图5为本实施例提供的一种年龄预测装置500的功能模块框图。所述年龄预测装置500包括至少一个可以以软件形式存储于机器可读存储介质120中的功能模块。从功能上划分，所述年龄预测装置500包括获取模块510、训练模块520以及参数调整模块530。
所述获取模块510用于获取训练数据集，所述训练数据集包括多个第一图像样本，每个第一图像样本设置有指示该第一图像样本中目标人物的真实年龄的样本标签。
所述训练模块520用于：
通过年龄预测模型对每个第一图像样本进行处理，得到对该第一图像样本中目标人物的年龄的第一预测结果，采用第一损失函数对该第一预测结果与该第一图像样本的样本标签进行计算得到第一误差；对每个第一图像样本进行图像增益处理；通过所述年龄预测模型对图像增益处理后的每个第一图像样本进行处理，得到对该第一图像样本中目标人物的年龄的增益预测结果，采用第二损失函数对该增益预测结果和该第一图像样本的第一预测结果进行计算得到第二误差。
所述参数调整模块530用于根据所述第一误差和所述第二误差计算得到综合误差，根据所述综合误差调整所述年龄预测模型的超参数，以使所述年龄预测模型满足预设优化条件。
可选地，所述训练模块520具体可以用于：判断所述年龄预测模型的训练迭代次数是否达到设定的预制，若达到所述设定的预制，则从一个所述样本组中选取两个第二图像样本，通过所述年龄预测模型对选取的两个第二图像样本分别进行处理，得到两个第二预测结果，根据所述两个第二预测结果及所述训练迭代次数计算得到第三误差，使用预设算法对所述第一误差、所述第二误差及所述第三误差进行计算得到所述综合误差。
可选地，所述训练模块520具体还可以用于：在所述训练迭代次数没有达到所述设定的阈值的情况下，使用所述预设算法对所述第一误差和所述第二误差进行计算得到所述综合误差。
可选地，所述训练模块520根据所述两个第二预测结果及所述训练迭代次数计算得到第三误差的方式可以为：
采用第三损失函数对所述两个第二预测结果进行计算得到一计算结果；根据所述计算结果、所述训练迭代次数及一预设的调和系数计算得到所述第三误差。综上所述，本申请实施例提供的年龄预测方法、装置及图像处理设备，能够减小拍摄图像时的环境因素对年龄预测模型的识别结果的影响，使得年龄预测模型基于同一人物在不同场景下拍摄的图像的预测年龄的差异减小，从而使得识别结果更为稳定。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种年龄预测方法，其特征在于，应用于图像处理设备，所述方法包括：
获取训练数据集，所述训练数据集包括多个第一图像样本，每个第一图像样本设置有指示该第一图像样本中目标人物的真实年龄的样本标签；
通过年龄预测模型对每个第一图像样本进行处理，得到对该第一图像样本中目标人物的年龄的第一预测结果，采用第一损失函数对该第一预测结果与该第一图像样本的样本标签进行计算得到第一误差；
对每个第一图像样本进行图像增益处理；
通过所述年龄预测模型对图像增益处理后的每个第一图像样本进行处理，得到对该第一图像样本中目标人物的年龄的增益预测结果，采用第二损失函数对该增益预测结果和该第一图像样本的第一预测结果进行计算得到第二误差；
根据所述第一误差和所述第二误差计算得到综合误差，根据所述综合误差调整所述年龄预测模型的超参数，以使所述年龄预测模型满足预设优化条件。
2.根据权利要求1所述的方法，其特征在于，所述训练数据集还包括多个样本组，每个样本组包括同一人物在不同拍摄条件下的至少两个第二图像样本；所述根据所述第一误差和所述第二误差计算得到综合误差的步骤，包括：
判断所述年龄预测模型的训练迭代次数是否达到设定的阈值；
若达到所述设定的阈值，则从一个所述样本组中选取两个第二图像样本，通过所述年龄预测模型对选取的两个第二图像样本分别进行处理，得到两个第二预测结果，根据所述两个第二预测结果及所述训练迭代次数计算得到第三误差；
使用预设算法对所述第一误差、所述第二误差及所述第三误差进行计算得到所述综合误差。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一误差和所述第二误差计算得到综合误差的步骤，还包括：
若所述训练迭代次数没有达到所述设定的阈值，则使用所述预设算法对所述第一误差和所述第二误差进行计算得到所述综合误差。
4.根据权利要求2或3所述的方法，其特征在于，所述根据所述两个第二预测结果及所述训练迭代次数计算得到第三误差的步骤，包括：
采用第三损失函数对所述两个第二预测结果进行计算得到一计算结果；
根据所述计算结果、所述训练迭代次数及一预设的调和系数计算得到所述第三误差。
5.根据权利要求4所述的方法，其特征在于，所述第二损失函数和所述第三损失函数为CosineEmbeddingLoss函数。
6.一种年龄预测装置，其特征在于，应用于图像处理设备，所述装置包括：
获取模块，用于获取训练数据集，所述训练数据集包括多个第一图像样本，每个第一图像样本设置有指示该第一图像样本中目标人物的真实年龄的样本标签；
训练模块，用于通过年龄预测模型对每个第一图像样本进行处理，得到对该第一图像样本中目标人物的年龄的第一预测结果，采用第一损失函数对该第一预测结果与该第一图像样本的样本标签进行计算得到第一误差；对每个第一图像样本进行图像增益处理；通过所述年龄预测模型对图像增益处理后的每个第一图像样本进行处理，得到对该第一图像样本中目标人物的年龄的增益预测结果，采用第二损失函数对该增益预测结果和该第一图像样本的第一预测结果进行计算得到第二误差；
参数调整模块，用于根据所述第一误差和所述第二误差计算得到综合误差，根据所述综合误差调整所述年龄预测模型的超参数，以使所述年龄预测模型满足预设优化条件。
7.根据权利要求6所述的装置，其特征在于，所述训练数据集还包括多个样本组，每个样本组包括同一人物在不同拍摄条件下的至少两个第二图像样本；
所述训练模块判断所述年龄预测模型的训练迭代次数是否达到设定的预制，若达到所述设定的预制，则从一个所述样本组中选取两个第二图像样本，通过所述年龄预测模型对选取的两个第二图像样本分别进行处理，得到两个第二预测结果，根据所述两个第二预测结果及所述训练迭代次数计算得到第三误差，使用预设算法对所述第一误差、所述第二误差及所述第三误差进行计算得到所述综合误差。
8.根据权利要求7所述的装置，其特征在于，所述训练模块在所述训练迭代次数没有达到所述设定的阈值的情况下，使用所述预设算法对所述第一误差和所述第二误差进行计算得到所述综合误差。
9.根据权利要求7或8所述的装置，其特征在于，所述训练模块根据所述两个第二预测结果及所述训练迭代次数计算得到第三误差的方式为：
采用第三损失函数对所述两个第二预测结果进行计算得到一计算结果；根据所述计算结果、所述训练迭代次数及一预设的调和系数计算得到所述第三误差。
10.一种图像处理设备，其特征在于，包括处理器及机器可读存储介质，所述机器可读存储介质上存储有机器可执行指令，所述机器可执行指令被执行时促使所述处理器实现：权利要求1-5中任意一项所述的年龄预测方法。
CN201910674594.7A 2019-07-25 2019-07-25 年龄预测方法、装置及图像处理设备 Active CN110378306B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910674594.7A CN110378306B (zh) 2019-07-25 2019-07-25 年龄预测方法、装置及图像处理设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910674594.7A CN110378306B (zh) 2019-07-25 2019-07-25 年龄预测方法、装置及图像处理设备

Publications (2)

Publication Number Publication Date
CN110378306A true CN110378306A (zh) 2019-10-25
CN110378306B CN110378306B (zh) 2021-11-02

Family

ID=68255695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910674594.7A Active CN110378306B (zh) 2019-07-25 2019-07-25 年龄预测方法、装置及图像处理设备

Country Status (1)

Country Link
CN (1) CN110378306B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126207A (zh) * 2019-12-12 2020-05-08 北京金山云网络技术有限公司 年龄估计模型的训练方法、装置及电子设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529377A (zh) * 2015-09-15 2017-03-22 北京文安智能技术股份有限公司 一种基于图像的年龄估计方法、装置及系统
CN106778558A (zh) * 2016-12-02 2017-05-31 电子科技大学 一种基于深度分类网络的面部年龄估计方法
CN108229276A (zh) * 2017-03-31 2018-06-29 北京市商汤科技开发有限公司 神经网络训练及图像处理方法、装置和电子设备
CN108304829A (zh) * 2018-03-08 2018-07-20 北京旷视科技有限公司 人脸识别方法、装置及系统
CN108596011A (zh) * 2017-12-29 2018-09-28 中国电子科技集团公司信息科学研究院 一种基于组合深度网络的人脸属性识别方法和装置
CN108615044A (zh) * 2016-12-12 2018-10-02 腾讯科技（深圳）有限公司 一种分类模型训练的方法、数据分类的方法及装置
US20180289334A1 (en) * 2017-04-05 2018-10-11 doc.ai incorporated Image-based system and method for predicting physiological parameters
US20180314915A1 (en) * 2017-04-26 2018-11-01 Facebook, Inc. Image based prediction of user demographics
CN109034078A (zh) * 2018-08-01 2018-12-18 腾讯科技（深圳）有限公司 年龄识别模型的训练方法、年龄识别方法及相关设备
CN109255769A (zh) * 2018-10-25 2019-01-22 厦门美图之家科技有限公司 图像增强网络的训练方法和训练模型、及图像增强方法
CN109271958A (zh) * 2018-09-30 2019-01-25 厦门市巨龙信息科技有限公司 人脸年龄识别方法及装置
CN109670437A (zh) * 2018-12-14 2019-04-23 腾讯科技（深圳）有限公司 年龄预估模型训练方法、面部图像识别方法及装置
CN109902446A (zh) * 2019-04-09 2019-06-18 北京字节跳动网络技术有限公司 用于生成信息预测模型的方法和装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529377A (zh) * 2015-09-15 2017-03-22 北京文安智能技术股份有限公司 一种基于图像的年龄估计方法、装置及系统
CN106778558A (zh) * 2016-12-02 2017-05-31 电子科技大学 一种基于深度分类网络的面部年龄估计方法
CN108615044A (zh) * 2016-12-12 2018-10-02 腾讯科技（深圳）有限公司 一种分类模型训练的方法、数据分类的方法及装置
CN108229276A (zh) * 2017-03-31 2018-06-29 北京市商汤科技开发有限公司 神经网络训练及图像处理方法、装置和电子设备
US20180289334A1 (en) * 2017-04-05 2018-10-11 doc.ai incorporated Image-based system and method for predicting physiological parameters
US20180314915A1 (en) * 2017-04-26 2018-11-01 Facebook, Inc. Image based prediction of user demographics
CN108596011A (zh) * 2017-12-29 2018-09-28 中国电子科技集团公司信息科学研究院 一种基于组合深度网络的人脸属性识别方法和装置
CN108304829A (zh) * 2018-03-08 2018-07-20 北京旷视科技有限公司 人脸识别方法、装置及系统
CN109034078A (zh) * 2018-08-01 2018-12-18 腾讯科技（深圳）有限公司 年龄识别模型的训练方法、年龄识别方法及相关设备
CN109271958A (zh) * 2018-09-30 2019-01-25 厦门市巨龙信息科技有限公司 人脸年龄识别方法及装置
CN109255769A (zh) * 2018-10-25 2019-01-22 厦门美图之家科技有限公司 图像增强网络的训练方法和训练模型、及图像增强方法
CN109670437A (zh) * 2018-12-14 2019-04-23 腾讯科技（深圳）有限公司 年龄预估模型训练方法、面部图像识别方法及装置
CN109902446A (zh) * 2019-04-09 2019-06-18 北京字节跳动网络技术有限公司 用于生成信息预测模型的方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUANDONG 等: "Automaticageestimationbasedondeeplearningalgorithm", 《NEUROCOMPUTING》 *
李炎: "基于面部特征的肤龄和年龄研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126207A (zh) * 2019-12-12 2020-05-08 北京金山云网络技术有限公司 年龄估计模型的训练方法、装置及电子设备

Also Published As

Publication number Publication date
CN110378306B (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN110163234B (zh) 一种模型训练方法、装置和存储介质
CN111950453B (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN109858569A (zh) 基于目标检测网络的多标签物体检测方法、系统、装置
US9344690B2 (en) Image demosaicing
CN109635806B (zh) 基于残差网络的电表数值识别方法
CN109190446A (zh) 基于三元组聚焦损失函数的行人再识别方法
CN110555399B (zh) 手指静脉识别方法、装置、计算机设备及可读存储介质
CN109697728A (zh) 数据处理方法、装置、系统和存储介质
CN107079094B (zh) 图像处理装置、图像处理方法、及记录介质
CN110148157A (zh) 画面目标跟踪方法、装置、存储介质及电子设备
CN110516803A (zh) 将传统计算机视觉算法实现为神经网络
CN110211119A (zh) 图像质量评估方法、装置、电子设备及可读存储介质
CN110210625A (zh) 基于迁移学习的建模方法、装置、计算机设备和存储介质
CN110968734A (zh) 一种基于深度度量学习的行人重识别方法及装置
CN109961102A (zh) 图像处理方法、装置、电子设备及存储介质
CN107079095A (zh) 图像处理装置、滤波器获取装置、图像处理方法、滤波器获取方法、程序及记录介质
CN109583367A (zh) 图像文本行检测方法及装置、存储介质和电子设备
CN113228096A (zh) 通过机器学习进行光学矫正
CN106664370B (zh) 图像处理装置、图像处理方法及记录介质
CN116503399A (zh) 基于yolo-afps的绝缘子污闪检测方法
CN106664372A (zh) 图像处理装置、图像处理方法、程序及记录介质
CN110378306A (zh) 年龄预测方法、装置及图像处理设备
CN108038467B (zh) 一种镜像图与粗细层次结合的稀疏人脸识别方法
CN107729885B (zh) 一种基于多重残差学习的人脸增强方法
Kee et al. Assisting target recognition through strong turbulence with the help of neural networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant