CN111242091A - 年龄识别模型训练方法、装置及电子设备 - Google Patents

年龄识别模型训练方法、装置及电子设备 Download PDF

Info

Publication number
CN111242091A
CN111242091A CN202010091437.6A CN202010091437A CN111242091A CN 111242091 A CN111242091 A CN 111242091A CN 202010091437 A CN202010091437 A CN 202010091437A CN 111242091 A CN111242091 A CN 111242091A
Authority
CN
China
Prior art keywords
age
value
sample face
identification model
face image
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.)
Pending
Application number
CN202010091437.6A
Other languages
English (en)
Inventor
王婷婷
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group 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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202010091437.6A priority Critical patent/CN111242091A/zh
Publication of CN111242091A publication Critical patent/CN111242091A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请提供了一种年龄识别模型训练方法及装置。所述方法包括：获取预置年龄段的多张样本人脸图像；每张样本人脸图像对应于一个真实年龄值；针对多张样本人脸图像中的每张样本人脸图像，获取样本人脸图像对应的多个特定区域的区域样本人脸图像；根据初始年龄识别模型，获取样本人脸图像和各区域样本人脸图像分别对应的预测年龄值；根据各预测年龄值和真实年龄值，计算初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值；在和值处于预设范围内的情况下，将初始年龄识别模型作为最终的年龄识别模型。本申请可以实现快速准确进行年龄估计，且训练时充分获取特征细节信息辅助网络训练，使预测结果更具有鲁棒性。

Description

年龄识别模型训练方法、装置及电子设备
技术领域
本申请涉及模型训练技术领域，特别是涉及一种年龄识别模型训练方法、一种年龄识别模型训练装置及一种电子设备。
背景技术
深度学习是近十年来人工智能领域取得的最重要的突破之一，其在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域都取得了巨大成功。
人脸相关的图像处理技术是计算机视觉任务中一个非常重要的研究方向。年龄信息作为人类的一种重要生物特征，在人机交互领域中有着众多应用需求，并且对人脸识别系统的性能有着重要影响。这项技术有很多应用，如视频监控、产品推荐、人机交互、市场分析、用户画像、年龄变化预测(age progression)等。
基于人脸图像的年龄估计是指应用计算机技术，根据人脸图像随年龄变化的规律进行建模，从而使机器能够根据人脸图像推测出人的大概年龄或所属的年龄范围。目前，通过人脸图像识别的技术通常采用的是大型网络模型，识别速度较慢，且仅通过人的面部识别，识别效果较差。
发明内容
本申请提供一种年龄识别模型训练方法、装置及电子设备，以解决现有技术中采用大型网络模型识别用户年龄的方式，识别速度较慢，且仅通过人的面部识别，识别效果较差的问题。
为了解决上述问题，本申请公开了一种年龄识别模型训练方法，包括：
获取预置年龄段的多张样本人脸图像；每张所述样本人脸图像对应于一个真实年龄值；
针对多张所述样本人脸图像中的每张样本人脸图像，获取所述样本人脸图像对应的多个特定区域的区域样本人脸图像；
根据所述初始年龄识别模型，获取所述样本人脸图像和各所述区域样本人脸图像分别对应的预测年龄值；
根据各所述预测年龄值和所述真实年龄值，计算所述初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值；
在所述和值处于预设范围内的情况下，将所述初始年龄识别模型作为最终的年龄识别模型。
可选地，所述获取所述样本人脸图像对应的多个特定区域的区域样本人脸图像，包括：
获取多个预先设置的所述特定区域，及每个所述特定区域的区域尺寸；
根据每个所述特定区域和所述区域尺寸，从所述样本人脸图像中裁剪得到多个所述区域样本人脸图像。
可选地，所述初始年龄识别模型包括第一全连接层，计算所述初始年龄识别模型的KL散度损失值包括：
获取所述第一全连接层输出的第一预测值；
根据所述真实年龄值和所述第一预测值，计算得到所述KL散度损失值。
可选地，所述根据所述真实年龄值和所述第一预测值，计算得到所述KL散度损失值，包括：
通过下述公式(1)计算得到所述KL散度损失值：
Figure BDA0002383850780000021
上述公式(1)中，
Figure BDA0002383850780000022
为KL散度损失值，
Figure BDA0002383850780000023
为真实年龄值，
Figure BDA0002383850780000024
为第一预测值，n为样本数，k为年龄段。
可选地，计算所述初始年龄识别模型的平均绝对误差损失值包括：
获取所述第二全连接层输出的第二预测值；
根据所述真实年龄值和所述第二预测值，计算得到所述平均绝对误差损失值。
可选地，所述根据所述真实年龄值和所述第二预测值，计算得到所述平均绝对误差损失值，包括：
通过下述公式(2)计算得到所述平均绝对误差损失值：
Figure BDA0002383850780000031
上述公式(2)中，
Figure BDA0002383850780000032
为平均绝对误差损失值，yi为真实年龄值，
Figure BDA0002383850780000033
为第二预测值，i表示第i个样本。
可选地，所述计算所述初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值，包括：
获取预先设置的权重值；
根据所述权重值、所述KL散度损失值和所述平均绝对误差损失值，计算得到所述和值。
为了解决上述问题，本申请公开了一种年龄识别模型训练装置，包括：
样本人脸图像获取模块，用于获取预置年龄段的多张样本人脸图像；每张所述样本人脸图像对应于一个真实年龄值；
区域人脸图像获取模块，用于针对多张所述样本人脸图像中的每张样本人脸图像，获取所述样本人脸图像对应的多个特定区域的区域样本人脸图像；
预测年龄值确定模块，用于根据初始年龄识别模型，获取所述样本人脸图像和各所述区域样本人脸图像分别对应的预测年龄值；
损失值和值计算模块，用于根据各所述预测年龄值和所述真实年龄值，计算所述初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值；
年龄识别模型获取模块，用于在所述和值处于预设范围内的情况下，将所述初始年龄识别模型作为最终的年龄识别模型。
可选地，所述区域人脸图像获取模块包括：
区域尺寸获取单元，用于获取多个预先设置的所述特定区域，及每个所述特定区域的区域尺寸；
区域人脸图像获取单元，用于根据每个所述特定区域和所述区域尺寸，从所述样本人脸图像中裁剪得到多个所述区域样本人脸图像。
可选地，所述初始年龄识别模型包括第一全连接层，所述损失值和值计算模块包括：
第一预测值获取单元，用于获取所述第一全连接层输出的第一预测值；
KL散度损失值计算单元，用于根据所述真实年龄值和所述第一预测值，计算得到所述KL散度损失值。
可选地，所述KL散度损失值计算单元包括：
通过下述公式(1)计算得到所述KL散度损失值：
Figure BDA0002383850780000041
上述公式(1)中，
Figure BDA0002383850780000042
为KL散度损失值，
Figure BDA0002383850780000043
为真实年龄值，
Figure BDA0002383850780000044
为第一预测值，n为样本数，k为年龄段。
可选地，所述损失值和值计算模块包括：
第二预测值获取单元，用于获取所述第二全连接层输出的第二预测值；
误差损失值计算单元，用于根据所述真实年龄值和所述第二预测值，计算得到所述平均绝对误差损失值。
可选地，所述误差损失值计算单元包括：
通过下述公式(2)计算得到所述平均绝对误差损失值：
Figure BDA0002383850780000045
上述公式(2)中，
Figure BDA0002383850780000046
为平均绝对误差损失值，yi为真实年龄值，
Figure BDA0002383850780000047
为第二预测值，i表示第i个样本。
可选地，所述损失值和值计算模块包括：
权重值获取单元，用于获取预先设置的权重值；
和值计算单元，用于根据所述权重值、所述KL散度损失值和所述平均绝对误差损失值，计算得到所述和值。
与现有技术相比，本申请包括以下优点：
本申请实施例提供了一种年龄识别模型训练方案，通过获取预置年龄段的多张样本人脸图像，每张样本人脸图像对应于一个真实年龄值，针对多张样本人脸图像中的每张样本人脸图像，获取样本人脸图像对应的多个特定区域的区域样本人脸图像，根据初始年龄识别模型，获取样本人脸图像和各区域样本人脸图像分别对应的预测年龄值，根据各预测年龄值和真实年龄值，计算初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值；在和值处于预设范围内的情况下，将初始年龄识别模型作为最终的年龄识别模型。本申请实施例通过采用基于KL loss和mae loss的小网络进行年龄估计，网络模型小，实现快速准确进行年龄估计，并且，在样本图像上的区域选择操作可以进行一定意义的增强步骤，使得训练时充分获取特征细节信息，辅助网络训练，使预测结果更具有鲁棒性。
附图说明
图1示出了本申请实施例提供的一种年龄识别模型训练方法的步骤流程图；
图1a示出了本申请实施例提供的一种年龄识别模型的示意图；
图1b示出了本申请实施例提供的一种人脸图像裁剪方式的示意图；
图2示出了本申请实施例提供的一种年龄识别模型训练方法的步骤流程图；
图3示出了本申请实施例提供的一种年龄识别模型训练装置的结构示意图；
图4示出了本申请实施例提供的一种年龄识别模型训练装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
参照图1，示出了本申请实施例提供的一种年龄识别模型训练方法的步骤流程图，该年龄识别模型训练方法具体可以包括如下步骤：
步骤101：获取预置年龄段的多张样本人脸图像；每张所述样本人脸图像对应于一个真实年龄值。
本申请实施例可以应用于对年龄识别模型进行训练的场景中。
在本实施例中，可以结合图1a对具体实现方式进行详细描述。参照图1a，示出了本申请实施例提供的一种年龄识别模型的示意图。如图1a所示，年龄识别模型的主网络结构采用基本层实现，年龄识别模型依次包括：conv1a(第一卷积神经网络)模块、conv2a(第二卷积神经网络)模块、conv3a(第三卷积神经网络)模块、conv4a(第四卷积神经网络)模块、conv5a(第五卷积神经网络)模块、GlobalAverage Pooling(全局平均池化)层、Fc1(第一全连接层)、Softmax层和Fc2(第二全连接层)。
其中，conv1a模块包括conv1a(16个stride为2，padding为1的3*3卷积)、BR(BatchNorm层，Relu层)、conv1b(16个的1*1卷积)、BRA(BatchNorm层，Relu层，AveragePooling层)。
Conv2模块包括conv2a(16个padding为1的3*3卷积)、BR(BatchNorm层，Relu层)、conv2b(16个1*1卷积)、BRA(BatchNorm层，Relu层，Average Pooling层)。
Conv3模块包括conv3a(32个padding为1的3*3卷积)、BR(BatchNorm层，Relu层)、conv3b(32个padding为1的3*3卷积)、BRA(BatchNorm层，Relu层，Average Pooling层)。
Conv4模块包括conv4a(64个padding为1的3*3卷积)、BR(BatchNorm层，Relu层)、conv4b(64个padding为1的3*3卷积)、BRA(BatchNorm层，Relu层，Average Pooling层)。
Conv5模块conv5a(128个padding为1的3*3卷积)、BR(BatchNorm层，Relu层)、conv5b(128个padding为1的3*3卷积)、BR(BatchNorm层，Relu层)。
在本实施例中，预置年龄段是指由业务人员预先设置的用于对年龄识别模型进行训练的年龄段，预置年龄段可以为1～10(岁)、11～20(岁)、21～30(岁)、...、61～70(岁)等。
样本人脸图像是指用于对年龄识别模型进行训练的人脸图像。每张样本人脸图像均对应于一个真实年龄值，真实年龄值是指人脸图像所对应的用户的真实年龄，例如，样本人脸图像包括用户1的人脸图像1、用户2的人脸图像2和用户3的人脸图像3，用户1的真实年龄为24，用户2的真实年龄为39，用户3的真实年龄为47，则，人脸图像1对应于一个真实年龄值24，人脸图像2对应于一个真实年龄值39，人脸图像3对应于一个真实年龄值47。
在某些示例中，可以通过预置人脸图像数据库获取预置年龄段的样本人脸图像，例如，在预置人脸图像数据库中预先保存有多个不同年龄的人脸图像，及每张人脸图像所对应的用户年龄值，则可以从预置人脸图像数据库中获取预置年龄段的多张样本人脸图像。
在某些示例中，可以实时采集多个用户的人脸图像，并记录每个用户的真实年龄，从而获取预置年龄段的多张样本人脸图像，及每张样本人脸图像对应的真实年龄值。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方而列举的示例，不作为对本申请实施例的唯一限制。
在获取到预置年龄段的多张样本人脸图像之后，执行步骤102。
步骤102：针对多张所述样本人脸图像中的每张样本人脸图像，获取所述样本人脸图像对应的多个特定区域的区域样本人脸图像。
特定区域是指由业务人员预先设置的用于从样本人脸图像中裁剪区域样本人脸图像的区域。
在本实施例中，特定区域可以为样本人脸图像的中间区域，也可以为样本人脸图像的左上角区域，还可以为样本人脸图像的右下角区域，具体地，可以根据实际情况而定，本申请实施例对此不加以限制。
区域样本人脸图像是指按照特定区域从样本人脸图像中裁剪得到的人脸图像。
在获取到预置年龄段的多张样本人脸图像之后，可以针对每张样本人脸图像进行裁剪，以获得每张样本人脸图像对应的多个特定区域的区域样本人脸图像。例如，参照图1b，示出了本申请实施例提供的一种人脸图像裁剪方式的示意图，如图1b所示，对于每张样本人脸图像可以按照图1b所示的裁剪方式，裁剪得到图示的crop(裁剪)图像，即图1b中所示的标黑○的图像，将标黑○的图像视为区域样本人脸图像。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本申请实施例的唯一限制。
在针对多张样本人脸图像中的每张样本人脸图像，获取到样本人脸图像对应的多个特定区域的区域样本人脸图像之后，执行步骤103。
步骤103：根据初始年龄识别模型，获取所述样本人脸图像和各所述区域样本人脸图像分别对应的预测年龄值。
在获取到每张样本人脸图像对应的多个特定区域的区域样本人脸图像之后，可以将每张样本人脸图像对应的多个特定区域的区域样本人脸图像输入至初始年龄识别模型的Conv_BR模块进行处理。
如图1a所示，在上述步骤中得到的区域样本人脸图像可以为crop1、crop2、crop3、crop4和crop5，可以由初始年龄识别模型对crop1、crop2、crop3、crop4和crop5进行处理，以获取crop1、crop2、crop3、crop4和crop5分别对应的预测年龄值。
预测年龄值是指由初始年龄识别模型对各区域样本人脸图像进行预测，所得到的每个区域样本人脸图像的年龄值。
在将各区域样本人脸图像输入至初始年龄识别模型之后，可以由初始年龄识别模型对各区域样本人脸图像进行识别，以确定各区域样本人脸图像对应的预测年龄值，如图1a所示，在将将crop1、crop2、crop3、crop4和crop5输入至初始年龄识别模型，可以由conv6_BR、Global_pooling、FC3和FC4对crop1进行处理，由conv7_BR、Global_pooling、FC5和FC6对crop2进行处理，由conv8_BR、Global_pooling、FC7和FC8对crop3进行处理，由conv9_BR、Global_pooling、FC9和FC10对crop4进行处理，并由conv10_BR、Global_pooling、FC11和FC12对crop5进行处理。从而，可以获取crop1、crop2、crop3、crop4和crop5分别对应的预测年龄值。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本申请实施例的唯一限制。
在根据初始年龄识别模型获取到样本人脸图像和各区域样本人脸图像分别对应的预测年龄值之后，执行步骤104。
步骤104：根据各所述预测年龄值和所述真实年龄值，计算所述初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值。
KL散度损失值(KL_loss，Kullback-Leibler divergence)是一种LDL(LabelDistribution Learing)学习方式，用来学习年龄分布。
平均绝对误差损失值(mae loss，mean absolute error)属于回归学习。
在根据初始年龄识别模型确定出各区域样本人脸图像对应的预测年龄值之后，可以根据各预测年龄值和真实年龄值计算得到初始年龄识别模型的KL散度损失值和平均绝对误差损失值，进而，在计算得到二者的和值。
对于KL散度损失值和平均绝对误差损失值的计算过程将在下述实施例二中进行详细描述，本申请实施例在此不再加以赘述。
本申请实施例采用基于KL loss和mae loss的小网络进行年龄估计，网络模型小，实现快速准确进行年龄估计。
在根据各预测年龄值和真实年龄值，计算得到初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值之后，执行步骤106。
步骤105：在所述和值处于预设范围内的情况下，将所述初始年龄识别模型作为最终的年龄识别模型。
预设范围是指由业务人员预先设置的用于与KL散度损失值和平均绝对误差损失值的和值进行比较的范围。
在计算得到初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值之后，可以判断两个损失值的和值是否处于预设范围内，在和值处于预设范围之外的情况下，则可以继续采用样本人脸图像按照上述过程对初始年龄识别模型进行再训练。
而在两个损失值的和值处于预设范围内的情况下，可以将训练后的初始年龄识别模型作为最终的年龄识别模型。
本申请实施例提供的年龄识别模型训练方法，通过获取预置年龄段的多张样本人脸图像，每张样本人脸图像对应于一个真实年龄值，针对多张样本人脸图像中的每张样本人脸图像，获取样本人脸图像对应的多个特定区域的区域样本人脸图像，根据初始年龄识别模型，获取样本人脸图像和各区域样本人脸图像分别对应的预测年龄值，根据各预测年龄值和真实年龄值，计算初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值；在和值处于预设范围内的情况下，将初始年龄识别模型作为最终的年龄识别模型。本申请实施例通过采用基于KL loss和mae loss的小网络进行年龄估计，网络模型小，实现快速准确进行年龄估计，并且，在样本图像上的区域选择操作可以进行一定意义的增强步骤，使得训练时充分获取特征细节信息，辅助网络训练，使预测结果更具有鲁棒性。
实施例二
参照图2，示出了本申请实施例提供的一种年龄识别模型训练方法的步骤流程图，该年龄识别模型训练方法具体可以包括如下步骤：
步骤201：获取预置年龄段的多张样本人脸图像；每张所述样本人脸图像对应于一个真实年龄值。
本申请实施例可以应用于对年龄识别模型进行训练的场景中。
在本实施例中，可以结合图1a对具体实现方式进行详细描述。参照图1a，示出了本申请实施例提供的一种年龄识别模型的示意图。如图1a所示，年龄识别模型的主网络结构采用基本层实现，年龄识别模型依次包括：conv1a(第一卷积神经网络)模块、conv2a(第二卷积神经网络)模块、conv3a(第三卷积神经网络)模块、conv4a(第四卷积神经网络)模块、conv5a(第五卷积神经网络)模块、GlobalAverage Pooling(全局平均池化)层、Fc1(第一全连接层)、Softmax层和Fc2(第二全连接层)。
在本实施例中，预置年龄段是指由业务人员预先设置的用于对年龄识别模型进行训练的年龄段，预置年龄段可以为1～10(岁)、11～20(岁)、21～30(岁)、...、61～70(岁)等。
样本人脸图像是指用于对年龄识别模型进行训练的人脸图像。每张样本人脸图像均对应于一个真实年龄值，真实年龄值是指人脸图像所对应的用户的真实年龄，例如，样本人脸图像包括用户1的人脸图像1、用户2的人脸图像2和用户3的人脸图像3，用户1的真实年龄为24，用户2的真实年龄为39，用户3的真实年龄为47，则，人脸图像1对应于一个真实年龄值24，人脸图像2对应于一个真实年龄值39，人脸图像3对应于一个真实年龄值47。
在某些示例中，可以通过预置人脸图像数据库获取预置年龄段的样本人脸图像，例如，在预置人脸图像数据库中预先保存有多个不同年龄的人脸图像，及每张人脸图像所对应的用户年龄值，则可以从预置人脸图像数据库中获取预置年龄段的多张样本人脸图像。
在某些示例中，可以实时采集多个用户的人脸图像，并记录每个用户的真实年龄，从而获取预置年龄段的多张样本人脸图像，及每张样本人脸图像对应的真实年龄值。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方而列举的示例，不作为对本申请实施例的唯一限制。
在获取到预置年龄段的多张样本人脸图像之后，执行步骤202。
步骤202：获取多个预先设置的所述特定区域，及每个所述特定区域的区域尺寸。
特定区域是指由业务人员预先设置的用于从样本人脸图像中裁剪区域样本人脸图像的区域。
区域尺寸是指裁剪样本人脸图像的特定区域所对应的尺寸，从conv4b中Relu层得到的特征图大小为6*6*64，有64个通道，特征图宽高为6*6，以图二方式进行5种Crop,Crop1-Crop5分别从左上，右上，左下，右下，中间分别裁剪4*4大小。Crop1到Crop5同时经过相同的网络进行训练。
在获取到预置年龄段的多张样本人脸图像之后，可以获取多个预先设置的特定区域，及每个特定区域的区域尺寸，进而，执行步骤203。
步骤203：针对多张所述样本人脸图像中的每张样本人脸图像，根据每个所述特定区域和所述区域尺寸，从所述样本人脸图像中裁剪得到多个所述区域样本人脸图像。
在获取到多个预先设置的特定区域，及每个特定区域的区域尺寸之后，可以针对多张样本人脸图像中的每张样本人脸图像，可以按照特定区域和区域尺寸，从样本人脸图像中裁剪得到多个区域样本人脸图像，例如，如图1b所示，对于每张样本人脸图像可以按照图1b所示的裁剪方式，裁剪得到图示的crop(裁剪)图像，即图1b中所示的标黑○的图像，将标黑○的图像视为区域样本人脸图像。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本申请实施例的唯一限制。
在根据每个特定区域和区域尺寸，从样本人脸图像中裁剪得到多个区域样本人脸图像之后，执行步骤204。
步骤204：根据初始年龄识别模型，获取所述样本人脸图像和各所述区域样本人脸图像分别对应的预测年龄值。
在获取到每张样本人脸图像对应的多个特定区域的区域样本人脸图像之后，可以将每张样本人脸图像对应的多个特定区域的区域样本人脸图像输入至初始年龄识别模型的Conv_BR模块进行处理。
如图1a所示，在上述步骤中得到的区域样本人脸图像可以为crop1、crop2、crop3、crop4和crop5，可以由初始年龄识别模型对crop1、crop2、crop3、crop4和crop5进行处理，以获取crop1、crop2、crop3、crop4和crop5分别对应的预测年龄值。
预测年龄值是指由初始年龄识别模型对各区域样本人脸图像进行预测，所得到的每个区域样本人脸图像的年龄值。
在将各区域样本人脸图像输入至初始年龄识别模型之后，可以由初始年龄识别模型对各区域样本人脸图像进行识别，以确定各区域样本人脸图像对应的预测年龄值，如图1a所示，在将将crop1、crop2、crop3、crop4和crop5输入至初始年龄识别模型，可以由conv6_BR、Global_pooling、FC3和FC4对crop1进行处理，由conv7_BR、Global_pooling、FC5和FC6对crop2进行处理，由conv8_BR、Global_pooling、FC7和FC8对crop3进行处理，由conv9_BR、Global_pooling、FC9和FC10对crop4进行处理，并由conv10_BR、Global_pooling、FC11和FC12对crop5进行处理。从而，可以获取crop1、crop2、crop3、crop4和crop5分别对应的预测年龄值。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本申请实施例的唯一限制。
步骤205：获取所述第一全连接层输出的第一预测值。
在本实施例中，预测值可以包括第一预测值，第一预测值是指采用第一全连接层预测得到的样本人脸图像和各区域样本人脸图像的预测年龄值。
如图1a所示，可以将图示FC1、FC3、FC5、FC7、FC9和FC11视为第一全连接层，通过FC1、FC3、FC5、FC7、FC9和FC11对样本人脸图像和各区域样本人脸图像进行处理，以获取样本人脸图像和各区域样本人脸图像分别对应的第一预测值。
在获取到第一全连接层输出的第一预测值之后，执行步骤206。
步骤206：根据所述真实年龄值和所述第一预测值，计算得到所述KL散度损失值。
KL散度损失值(KL_loss，Kullback-Leibler divergence)是一种LDL(LabelDistribution Learing)学习方式，用来学习年龄分布。
KL散度是一种衡量两个概率分布的匹配程度的指标，两个分布差异越大，KL散度越大。定义如下：
Figure BDA0002383850780000131
其中，p(x)是目标分布，q(x)是去匹配的分布，如果两个分布完全匹配，有：DKL(p||q)＝0。借鉴KL散度思想，构造年龄分布，优化模型学习年龄分别。
以groundTruth age为56来说明：56在50和60之间，因此可以用如下表示：56＝50*0.4+60*0.6。
以10为年龄分段，每个年龄可用相邻的两个年龄段表示，我们数据中只到75岁，分段为(0，10)，(10，20)，(20，30)，(30，40)，(40，50)，(50，60)，(60，70)，(70，80)因此第一个全连接层的通道为9。因此Fc1后面使用KL散度loss，预测分布与真实分布之间形成的KL_loss:
在获取到样本人脸图像和各区域样本人脸图像分别对应的第一预测值之后，可以结合第一预测值和真实年龄值计算得到KL_loss。具体地，可以结合下述具体实现方式进行详细描述。
在本申请的一种具体实现方式中，上述步骤206可以包括：
子步骤A1：通过下述公式(1)计算得到所述KL散度损失值：
Figure BDA0002383850780000141
上述公式(1)中，
Figure BDA0002383850780000142
为KL散度损失值，
Figure BDA0002383850780000143
为真实年龄值，
Figure BDA0002383850780000144
为第一预测值，n为样本数，k为年龄段。
同样以56为例进行说明：yn标注为[0.0,0.0,0.0,0.0,0.0,0.4,0.6,0.0,0.0]，
Figure BDA0002383850780000145
为0到1的预测值，并和为1。
步骤207：获取所述第二全连接层输出的第二预测值。
在本实施例中，预测值还可以包括第二预测值，第二预测值是指采用第二全连接层预测得到的样本人脸图像和各区域样本人脸图像的预测年龄值。
如图1a所示，可以将图示FC2、FC4、FC6、FC8、FC10和FC12视为第一全连接层，通过FC2、FC4、FC6、FC8、FC10和FC12对样本人脸图像和各区域样本人脸图像进行处理，以获取样本人脸图像和各区域样本人脸图像分别对应的第二预测值。
在获取到第二全连接层输出的第二预测值之后，执行步骤206。
步骤208：根据所述真实年龄值和所述第二预测值，计算得到所述平均绝对误差损失值。
平均绝对误差损失值(mae loss，mean absolute error)属于回归学习。
Mae，平均绝对误差，又被称为l1范数损失(l1-norm loss),适用解决拟合问题中使用loss。mae优点是对异常值不敏感。第二全连接层通道后使用该loss进行回归训练。
在获取到样本人脸图像和各区域样本人脸图像分别对应的第二预测值之后，可以结合第二预测值和真实年龄值计算得到mae loss，具体地，可以结合下述具体实现方式进行详细描述。
在本申请的一种具体实现方式中，上述步骤208可以包括：
子步骤B1：通过下述公式(2)计算得到所述平均绝对误差损失值：
Figure BDA0002383850780000151
上述公式(2)中，
Figure BDA0002383850780000152
为平均绝对误差损失值，yi为真实年龄值，
Figure BDA0002383850780000153
为第二预测值，i表示第i个样本。
步骤209：获取预先设置的权重值。
权重值是指由业务人员预先设置的用于计算KL_loss和mae_loss时所使用的权重。
权重值可以是根据业务人员的经验得到的值，具体地，可以根据实际情况而定，本申请对权重值的具体数值不加以限制。
在获取到预先设置的权重值之后，执行步骤210。
步骤210：根据所述权重值、所述KL散度损失值和所述平均绝对误差损失值，计算得到所述和值。
在获取到权重值、KL_loss和mae_loss之后，可以根据权重值、KL_loss和mae_loss计算得到和值，具体地，可以结合下述公式计算得到。
Lmain＝λLkl+Lmae (3)
上述公式(3)中，λ为权重值，可以用于权衡KL_loss和mae_loss的比重，Lmain为和值。
在获取到权重值、KL_loss和mae_loss之后，可以根据权重值、KL_loss和mae_loss按照上述公式(3)计算得到和值。
在根据权重值、KL_loss和mae_loss按照上述公式(3)计算得到和值之后，执行步骤211。
步骤211：在所述和值处于预设范围内的情况下，将所述初始年龄识别模型作为最终的年龄识别模型。
预设范围是指由业务人员预先设置的用于与KL散度损失值和平均绝对误差损失值的和值进行比较的范围。
在计算得到初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值之后，可以判断两个损失值的和值是否处于预设范围内，在和值处于预设范围之外的情况下，则可以继续采用样本人脸图像按照上述过程对初始年龄识别模型进行再训练。
而在两个损失值的和值处于预设范围内的情况下，可以将训练后的初始年龄识别模型作为最终的年龄识别模型。
本申请实施例提供的年龄识别模型训练方法，通过获取预置年龄段的多张样本人脸图像，每张样本人脸图像对应于一个真实年龄值，针对多张样本人脸图像中的每张样本人脸图像，获取样本人脸图像对应的多个特定区域的区域样本人脸图像，根据初始年龄识别模型，获取样本人脸图像和各区域样本人脸图像分别对应的预测年龄值，根据各预测年龄值和真实年龄值，计算初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值；在和值处于预设范围内的情况下，将初始年龄识别模型作为最终的年龄识别模型。本申请实施例通过采用基于KL loss和mae loss的小网络进行年龄估计，网络模型小，实现快速准确进行年龄估计，并且，在样本图像上的区域选择操作可以进行一定意义的增强步骤，使得训练时充分获取特征细节信息，辅助网络训练，使预测结果更具有鲁棒性。
实施例三
参照图3，示出了本申请实施例提供的一种年龄识别模型训练装置的结构示意图，该年龄识别模型训练装置具体可以包括如下模块：
样本人脸图像获取模块310，用于获取预置年龄段的多张样本人脸图像；每张所述样本人脸图像对应于一个真实年龄值；
区域人脸图像获取模块320，用于针对多张所述样本人脸图像中的每张样本人脸图像，获取所述样本人脸图像对应的多个特定区域的区域样本人脸图像；
预测年龄值确定模块330，用于根据初始年龄识别模型，获取样本人脸图像和各所述区域样本人脸图像分别对应的预测年龄值；
损失值和值计算模块340，用于根据各所述预测年龄值和所述真实年龄值，计算所述初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值；
年龄识别模型获取模块350，用于在所述和值处于预设范围内的情况下，将所述初始年龄识别模型作为最终的年龄识别模型。
本申请实施例提供的年龄识别模型训练装置，通过获取预置年龄段的多张样本人脸图像，每张样本人脸图像对应于一个真实年龄值，针对多张样本人脸图像中的每张样本人脸图像，获取样本人脸图像对应的多个特定区域的区域样本人脸图像，根据初始年龄识别模型，获取样本人脸图像和各区域样本人脸图像分别对应的预测年龄值，根据各预测年龄值和真实年龄值，计算初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值；在和值处于预设范围内的情况下，将初始年龄识别模型作为最终的年龄识别模型。本申请实施例通过采用基于KL loss和mae loss的小网络进行年龄估计，网络模型小，实现快速准确进行年龄估计，并且，在样本图像上的区域选择操作可以进行一定意义的增强步骤，使得训练时充分获取特征细节信息，辅助网络训练，使预测结果更具有鲁棒性。
实施例四
参照图4，示出了本申请实施例提供的一种年龄识别模型训练装置的结构示意图，该年龄识别模型训练装置具体可以包括如下模块：
样本人脸图像获取模块410，用于获取预置年龄段的多张样本人脸图像；每张所述样本人脸图像对应于一个真实年龄值；
区域人脸图像获取模块420，用于针对多张所述样本人脸图像中的每张样本人脸图像，获取所述样本人脸图像对应的多个特定区域的区域样本人脸图像；
预测年龄值确定模块430，用于根据初始年龄识别模型，获取样本人脸图像和各所述区域样本人脸图像分别对应的预测年龄值；
损失值和值计算模块440，用于根据各所述预测年龄值和所述真实年龄值，计算所述初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值；
年龄识别模型获取模块450，用于在所述和值处于预设范围内的情况下，将所述初始年龄识别模型作为最终的年龄识别模型。
可选地，所述区域人脸图像获取模块420包括：
区域尺寸获取单元421，用于获取多个预先设置的所述特定区域，及每个所述特定区域的区域尺寸；
区域人脸图像获取单元422，用于根据每个所述特定区域和所述区域尺寸，从所述样本人脸图像中裁剪得到多个所述区域样本人脸图像。
可选地，所述初始年龄识别模型包括第一全连接层，所述损失值和值计算模块440包括：
第一预测值获取单元441，用于获取所述第一全连接层输出的第一预测值；
KL散度损失值计算单元442，用于根据所述真实年龄值和所述第一预测值，计算得到所述KL散度损失值。
可选地，所述KL散度损失值计算单元442包括：
通过下述公式(1)计算得到所述KL散度损失值：
Figure BDA0002383850780000181
上述公式(1)中，
Figure BDA0002383850780000182
为KL散度损失值，
Figure BDA0002383850780000183
为真实年龄值，
Figure BDA0002383850780000184
为第一预测值，n为样本数，k为年龄段。
可选地，所述损失值和值计算模块440包括：
第二预测值获取单元443，用于获取所述第二全连接层输出的第二预测值；
误差损失值计算单元444，用于根据所述真实年龄值和所述第二预测值，计算得到所述平均绝对误差损失值。
可选地，所述误差损失值计算单元444包括：
通过下述公式(2)计算得到所述平均绝对误差损失值：
Figure BDA0002383850780000185
上述公式(2)中，
Figure BDA0002383850780000186
为平均绝对误差损失值，yi为真实年龄值，
Figure BDA0002383850780000187
为第二预测值，i表示第i个样本。
可选地，所述损失值和值计算模块440包括：
权重值获取单元445，用于获取预先设置的权重值；
和值计算单元446，用于根据所述权重值、所述KL散度损失值和所述平均绝对误差损失值，计算得到所述和值。
本申请实施例提供的年龄识别模型训练装置，通过获取预置年龄段的多张样本人脸图像，每张样本人脸图像对应于一个真实年龄值，针对多张样本人脸图像中的每张样本人脸图像，获取样本人脸图像对应的多个特定区域的区域样本人脸图像，根据初始年龄识别模型，获取样本人脸图像和各区域样本人脸图像分别对应的预测年龄值，根据各预测年龄值和真实年龄值，计算初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值；在和值处于预设范围内的情况下，将初始年龄识别模型作为最终的年龄识别模型。本申请实施例通过采用基于KL loss和mae loss的小网络进行年龄估计，网络模型小，实现快速准确进行年龄估计，并且，在样本图像上的区域选择操作可以进行一定意义的增强步骤，使得训练时充分获取特征细节信息，辅助网络训练，使预测结果更具有鲁棒性。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
另外地，本申请实施例还提供了一种电子设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述的年龄识别模型训练方法。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
最后，还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种年龄识别模型训练方法、一种年龄识别模型训练装置和一种电子设备，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种年龄识别模型训练方法，其特征在于，包括：
获取预置年龄段的多张样本人脸图像；每张所述样本人脸图像对应于一个真实年龄值；
针对多张所述样本人脸图像中的每张样本人脸图像，获取所述样本人脸图像对应的多个特定区域的区域样本人脸图像；
根据初始年龄识别模型，获取所述样本人脸图像和各所述区域样本人脸图像分别对应的预测年龄值；
根据各所述预测年龄值和所述真实年龄值，计算所述初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值；
在所述和值处于预设范围内的情况下，将所述初始年龄识别模型作为最终的年龄识别模型。
2.根据权利要求1所述的方法，其特征在于，所述获取所述样本人脸图像对应的多个特定区域的区域样本人脸图像，包括：
获取多个预先设置的所述特定区域，及每个所述特定区域的区域尺寸；
根据每个所述特定区域和所述区域尺寸，从所述样本人脸图像中裁剪得到多个所述区域样本人脸图像。
3.根据权利要求1所述的方法，其特征在于，所述初始年龄识别模型包括第一全连接层，计算所述初始年龄识别模型的KL散度损失值包括：
获取所述第一全连接层输出的第一预测值；
根据所述真实年龄值和所述第一预测值，计算得到所述KL散度损失值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述真实年龄值和所述第一预测值，计算得到所述KL散度损失值，包括：
通过下述公式(1)计算得到所述KL散度损失值：
Figure FDA0002383850770000011
上述公式(1)中，
Figure FDA0002383850770000012
为KL散度损失值，
Figure FDA0002383850770000013
为真实年龄值，
Figure FDA0002383850770000014
为第一预测值，n为样本数，k为年龄段。
5.根据权利要求3所述的方法，其特征在于，计算所述初始年龄识别模型的平均绝对误差损失值包括：
获取所述第二全连接层输出的第二预测值；
根据所述真实年龄值和所述第二预测值，计算得到所述平均绝对误差损失值。
6.根据权利要求5所述的方法，其特征在于，所述根据所述真实年龄值和所述第二预测值，计算得到所述平均绝对误差损失值，包括：
通过下述公式(2)计算得到所述平均绝对误差损失值：
Figure FDA0002383850770000021
上述公式(2)中，
Figure FDA0002383850770000022
为平均绝对误差损失值，yi为真实年龄值，
Figure FDA0002383850770000023
为第二预测值，i表示第i个样本。
7.根据权利要求1所述的方法，其特征在于，所述计算所述初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值，包括：
获取预先设置的权重值；
根据所述权重值、所述KL散度损失值和所述平均绝对误差损失值，计算得到所述和值。
8.一种年龄识别模型训练装置，其特征在于，包括：
样本人脸图像获取模块，用于获取预置年龄段的多张样本人脸图像；每张所述样本人脸图像对应于一个真实年龄值；
区域人脸图像获取模块，用于针对多张所述样本人脸图像中的每张样本人脸图像，获取所述样本人脸图像对应的多个特定区域的区域样本人脸图像；
预测年龄值确定模块，用于根据初始年龄识别模型，获取所述样本人脸图像和各所述区域样本人脸图像分别对应的预测年龄值；
损失值和值计算模块，用于根据各所述预测年龄值和所述真实年龄值，计算所述初始年龄识别模型的KL散度损失值和平均绝对误差损失值之间的和值；
年龄识别模型获取模块，用于在所述和值处于预设范围内的情况下，将所述初始年龄识别模型作为最终的年龄识别模型。
9.根据权利要求8所述的装置，其特征在于，所述区域人脸图像获取模块包括：
区域尺寸获取单元，用于获取多个预先设置的所述特定区域，及每个所述特定区域的区域尺寸；
区域人脸图像获取单元，用于根据每个所述特定区域和所述区域尺寸，从所述样本人脸图像中裁剪得到多个所述区域样本人脸图像。
10.一种电子设备，其特征在于，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至7任一项所述的年龄识别模型训练方法。
CN202010091437.6A 2020-02-13 2020-02-13 年龄识别模型训练方法、装置及电子设备 Pending CN111242091A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010091437.6A CN111242091A (zh) 2020-02-13 2020-02-13 年龄识别模型训练方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010091437.6A CN111242091A (zh) 2020-02-13 2020-02-13 年龄识别模型训练方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN111242091A true CN111242091A (zh) 2020-06-05

Family

ID=70873044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010091437.6A Pending CN111242091A (zh) 2020-02-13 2020-02-13 年龄识别模型训练方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111242091A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967382A (zh) * 2020-08-14 2020-11-20 北京金山云网络技术有限公司 年龄估计方法、年龄估计模型的训练方法及装置
CN112329693A (zh) * 2020-11-17 2021-02-05 汇纳科技股份有限公司 性别年龄识别模型的训练方法、识别方法、介质及设备
CN112668455A (zh) * 2020-12-24 2021-04-16 平安科技（深圳）有限公司 人脸年龄识别方法、装置、终端设备及存储介质
CN113361409A (zh) * 2021-06-07 2021-09-07 黑蜂智造(深圳)科技有限公司 牙齿图像数据处理方法、装置、电子设备及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120045137A1 (en) * 2009-04-28 2012-02-23 Tokyo Institute Of Technology Age estimation apparatus, age estimation method, and age estimation program
CN103544486A (zh) * 2013-10-31 2014-01-29 东南大学 基于自适应标记分布的人类年龄估计方法
CN105718898A (zh) * 2016-01-22 2016-06-29 东南大学 基于稀疏无向概率图模型的人脸年龄估计方法、系统
CN109271884A (zh) * 2018-08-29 2019-01-25 厦门理工学院 人脸属性识别方法、装置、终端设备和存储介质
CN110287942A (zh) * 2019-07-03 2019-09-27 成都旷视金智科技有限公司 年龄估计模型的训练方法、年龄估计方法以及对应的装置
CN110674744A (zh) * 2019-09-24 2020-01-10 京东方科技集团股份有限公司 一种年龄识别方法、装置及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120045137A1 (en) * 2009-04-28 2012-02-23 Tokyo Institute Of Technology Age estimation apparatus, age estimation method, and age estimation program
CN103544486A (zh) * 2013-10-31 2014-01-29 东南大学 基于自适应标记分布的人类年龄估计方法
CN105718898A (zh) * 2016-01-22 2016-06-29 东南大学 基于稀疏无向概率图模型的人脸年龄估计方法、系统
CN109271884A (zh) * 2018-08-29 2019-01-25 厦门理工学院 人脸属性识别方法、装置、终端设备和存储介质
CN110287942A (zh) * 2019-07-03 2019-09-27 成都旷视金智科技有限公司 年龄估计模型的训练方法、年龄估计方法以及对应的装置
CN110674744A (zh) * 2019-09-24 2020-01-10 京东方科技集团股份有限公司 一种年龄识别方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘鸣谦;兰钧;陈旭;于广军;杨秀军;: "基于多维度特征融合的深度学习骨龄评估模型" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967382A (zh) * 2020-08-14 2020-11-20 北京金山云网络技术有限公司 年龄估计方法、年龄估计模型的训练方法及装置
CN112329693A (zh) * 2020-11-17 2021-02-05 汇纳科技股份有限公司 性别年龄识别模型的训练方法、识别方法、介质及设备
CN112329693B (zh) * 2020-11-17 2024-01-19 汇纳科技股份有限公司 性别年龄识别模型的训练方法、识别方法、介质及设备
CN112668455A (zh) * 2020-12-24 2021-04-16 平安科技（深圳）有限公司 人脸年龄识别方法、装置、终端设备及存储介质
CN112668455B (zh) * 2020-12-24 2023-11-28 平安科技（深圳）有限公司 人脸年龄识别方法、装置、终端设备及存储介质
CN113361409A (zh) * 2021-06-07 2021-09-07 黑蜂智造(深圳)科技有限公司 牙齿图像数据处理方法、装置、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN111242091A (zh) 年龄识别模型训练方法、装置及电子设备
CN108829822B (zh) 媒体内容的推荐方法和装置、存储介质、电子装置
CN110033023B (zh) 一种基于绘本识别的图像数据处理方法及系统
CN110555387B (zh) 骨架序列中基于局部关节点轨迹时空卷的行为识别方法
CN108197592B (zh) 信息获取方法和装置
CN103262118A (zh) 属性值估计装置、属性值估计方法、程序和记录介质
CN107871103B (zh) 一种人脸认证方法和装置
CN110555405A (zh) 目标跟踪方法及装置、存储介质和电子设备
CN111783712A (zh) 一种视频处理方法、装置、设备及介质
Phan et al. Consensus-based sequence training for video captioning
CN112668438A (zh) 红外视频时序行为定位方法、装置、设备及存储介质
CN114140885A (zh) 一种情感分析模型的生成方法、装置、电子设备以及存储介质
CN112966626A (zh) 人脸识别方法和装置
CN113343909A (zh) 多任务分类网络的训练方法、行人重识别方法
CN113705596A (zh) 图像识别方法、装置、计算机设备和存储介质
CN115331150A (zh) 图像识别方法、装置、电子设备、存储介质
CN111401105A (zh) 一种视频表情识别方法、装置及设备
Ponce-López et al. Non-verbal communication analysis in victim–offender mediations
CN111340213A (zh) 神经网络的训练方法、电子设备、存储介质
CN114359787A (zh) 目标属性识别方法、装置、计算机设备及存储介质
CN114329004A (zh) 数字指纹生成、数据推送方法、装置和存储介质
Zhang et al. Video quality assessment with dense features and ranking pooling
CN115063858A (zh) 视频人脸表情识别模型训练方法、装置、设备及存储介质
CN114818900A (zh) 一种半监督特征提取方法及用户信用风险评估方法
WO2021147084A1 (en) Systems and methods for emotion recognition in user-generated video(ugv)

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