CN111914772B - 识别年龄的方法、年龄识别模型的训练方法和装置 - Google Patents
识别年龄的方法、年龄识别模型的训练方法和装置 Download PDFInfo
- Publication number
- CN111914772B CN111914772B CN202010786438.2A CN202010786438A CN111914772B CN 111914772 B CN111914772 B CN 111914772B CN 202010786438 A CN202010786438 A CN 202010786438A CN 111914772 B CN111914772 B CN 111914772B
- Authority
- CN
- China
- Prior art keywords
- gender
- age
- characteristic
- face
- shared
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012549 training Methods 0.000 title claims abstract description 64
- 238000000605 extraction Methods 0.000 claims description 58
- 239000000758 substrate Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 13
- 238000002372 labelling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000007773 growth pattern Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种识别年龄的方法、年龄识别模型的训练方法和装置,当获取到包含有待识别人脸的图像后,将该图像输入至预先训练完成的年龄识别模型中,该年龄识别模型基于待识别人脸的除性别特征以外的特征,输出该待识别人脸的年龄识别结果;该方法在对待识别人脸的年龄进行识别时,基于与性别无关的特征进行年龄识别,消除了对年龄识别结果有较大影响的性别因素,一方面提高了年龄识别的准确性,同时也有利于模型学习,提高了年龄识别模型的泛化能力。
Description
技术领域
本发明涉及深度学习技术领域,尤其是涉及一种识别年龄的方法、年龄识别模型的训练方法和装置。
背景技术
年龄是一种重要的生物特征属性;年龄的识别在人机交互、智能商务、安全监控、游戏娱乐等领域应用广泛。相关技术中,可以训练深度学习模型,并采用训练好的深度学习模型进行年龄识别;但是,相对于其他的深度学习任务,可能影响年龄识别效果的不利因素较多,这些不利因素一方面导致模型学习比较困难,模型的泛化能力较差,另一方面导致基于该模型进行年龄识别的准确性较低。
发明内容
有鉴于此,本发明的目的在于提供一种识别年龄的方法、年龄识别模型的训练方法和装置,以提高年龄识别的准确性。
第一方面,本发明实施例提供了一种识别年龄的方法,所述方法包括:获取包含有待识别人脸的图像;将所述图像输入至预先训练完成的年龄识别模型中,输出所述待识别人脸的年龄识别结果;其中,所述年龄识别模型基于所述待识别人脸的除性别特征以外的特征,得到所述待识别人脸的年龄识别结果。
进一步的,所述年龄识别模型包括:共享特征提取网络、性别特征提取网络和年龄识别网络;其中,所述共享特征提取网络用于从所述图像中提取所述待识别人脸的共享特征;所述性别特征提取网络用于从所述共享特征中提取所述待识别人脸的性别特征;所述年龄识别网络用于从所述共享特征中剔除所述性别特征,得到剩余特征,基于所述剩余特征输出所述待识别人脸的年龄识别结果。
进一步的,所述共享特征中包括多个特征点;所述性别特征中包括多个特征点;所述性别特征的特征点的数量与所述共享特征的特征点的数量相匹配;所述从所述共享特征中剔除所述性别特征的步骤,包括:针对每个特征点,将所述共享特征中该特征点的特征值减去所述性别特征中该特征点的特征值,得到所述剩余特征中该特征点的特征值。
第二方面,本发明实施例提供了一种年龄识别模型的训练方法,所述方法包括:基于预设的训练样本集确定样本图像;其中,所述样本图像携带有年龄标签和性别标签;将所述样本图像输入至初始模型中,以通过所述初始模型提取所述样本图像中人脸的性别特征,以及除所述性别特征以外的特征,基于所述除所述性别特征以外的特征得到输出结果;基于所述输出结果、所述年龄标签和所述性别标签,更新所述初始模型的权重参数;继续执行基于预设的训练样本集确定样本图像的步骤,直到所述初始模型收敛,得到所述年龄识别模型。
进一步的,所述初始模型包括共享特征提取网络、性别特征提取网络、性别识别网络和年龄识别网络;所述共享特征提取网络用于提取所述样本图像中人脸的共享特征;所述性别特征提取网络用于从所述共享特征中提取性别特征;所述性别识别网络用于基于所述性别特征输出所述样本图像中人脸的性别识别结果;所述年龄识别网络用于从所述共享特征中剔除所述性别特征,得到剩余特征,基于所述剩余特征得到输出结果;所述基于所述输出结果、所述年龄标签和所述性别标签,更新所述初始模型的权重参数的步骤,包括:基于所述性别识别结果和所述性别标签,确定第一损失值;基于所述输出结果和所述年龄标签,确定第二损失值;基于所述第一损失值和所述第二损失值,更新所述初始模型的权重参数。
第三方面,本发明实施例提供了一种识别年龄的装置,所述装置包括:获取模块,用于获取包含有待识别人脸的图像;输出模块,用于将所述图像输入至预先训练完成的年龄识别模型中,输出所述待识别人脸的年龄识别结果;其中,所述年龄识别模型基于所述待识别人脸的除性别特征以外的特征,得到所述待识别人脸的年龄识别结果。
进一步的,所述年龄识别模型包括:共享特征提取网络、性别特征提取网络和年龄识别网络;其中,所述共享特征提取网络用于从所述图像中提取所述待识别人脸的共享特征;所述性别特征提取网络用于从所述共享特征中提取所述待识别人脸的性别特征;所述年龄识别网络用于从所述共享特征中剔除所述性别特征,得到剩余特征,基于所述剩余特征输出所述待识别人脸的年龄识别结果。
第四方面,本发明实施例提供了一种年龄识别模型的训练装置,所述装置包括:确定模块,用于基于预设的训练样本集确定样本图像;其中,所述样本图像携带有年龄标签和性别标签;输入模块,用于将所述样本图像输入至初始模型中,以通过所述初始模型提取所述样本图像中人脸的性别特征,以及除所述性别特征以外的特征,基于所述除所述性别特征以外的特征得到输出结果;更新模块,用于基于所述输出结果、所述年龄标签和所述性别标签,更新所述初始模型的权重参数;继续执行基于预设的训练样本集确定样本图像的步骤,直到所述初始模型收敛,得到所述年龄识别模型。
第五方面,本发明实施例提供了一种服务器,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现上述第一方面任一项所述的识别年龄的方法,或第二方面任一项所述的年龄识别模型的训练方法。
第六方面,本发明实施例提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现上述第一方面任一项所述的识别年龄的方法,或上述第二方面任一项所述的年龄识别模型的训练方法。
本发明提供的识别年龄的方法、年龄识别模型的训练方法和装置,当获取到包含有待识别人脸的图像后,将该图像输入至预先训练完成的年龄识别模型中,该年龄识别模型基于待识别人脸的除性别特征以外的特征,输出该待识别人脸的年龄识别结果;该方法在对待识别人脸的年龄进行识别时,基于与性别无关的特征进行年龄识别,消除了对年龄识别结果有较大影响的性别因素,一方面提高了年龄识别的准确性,同时也有利于模型学习,提高了年龄识别模型的泛化能力。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域技术人员来讲,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的附图。
图1为本发明实施例提供的一种识别年龄的方法的流程图;
图2为本发明实施例提供的一种年龄识别模型的训练方法的流程图;
图3为本发明实施例提供的另一种年龄识别模型的训练方法的流程图;
图4为本发明实施例提供的一种深度模型的网络架构示意图;
图5为本发明实施例提供的一种识别年龄的装置的结构示意图;
图6为本发明实施例提供的一种年龄识别模型的训练装置的结构示意图;
图7为本发明实施例提供的服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
年龄作为一种重要的人脸属性,在人机交互、智能商务、安全监控和游戏娱乐等领域都有着广阔的应用前景。自动人脸年龄估计作为一种重要的生物特征识别技术,目前已经成为模式识别和计算机视觉领域内一个热门的研究课题;虽然大量的研究者为解决年龄估计问题付出了艰辛的努力,但该问题远远没有得到解决,且仍然面临着许多严峻的困难和挑战,其中,性别因素的干扰就是一个典型的例子,具体来说,男女的年龄成长模式是不同的,这大大增加了年龄估计的难度。
在已有的传统人脸年龄估计算法中,一般首先人工提取人脸特征,如主动外观特征、人体测量学特征、生物启发特征等,然后训练一个人脸特征到年龄的回归器,进而实现对人脸年龄的估计,但是该方法缺乏人脸的高层语义信息,因此精度一般都比较低。
在已有的基于深度学习的人脸年龄估计算法中,通常会直接训练一个卷积神经网络建立输入人脸和年龄的映射,相较于传统的人脸年龄估计算法,深度学习的方法可以考虑人脸的高层语义信息,相对来说精度一般较高,但是该方法通常直接在年龄数据集上进行训练,并不考虑男女年龄模式之间的差异,由于不同性别的相同年龄的样本具有不同的年龄模式,这导致模型学习比较困难,进而导致得到的模型泛化能力较差。基于此,本发明实施例提供了一种识别年龄的方法、年龄识别模型的训练方法和装置,该技术可以应用于对需要识别年龄的应用中,尤其可以应用于对人脸年龄识别的应用中。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种识别年龄的方法进行详细介绍,如图1所示,该方法包括如下步骤:
步骤S102,获取包含有待识别人脸的图像。
上述待识别人脸的数量可以是一个,可以是多个,该人脸可以是男性人脸,或者女性人脸,或者,也可以同时包含男性人脸和女性人脸;可以是正脸,也可以是侧脸等;上述包含有待识别人脸的图像可以是照片,也可以是图片等不同形式;在实际实现时,当需要对待识别人脸的年龄进行识别时,通常需要先获取到包含有待识别人脸的图像。
步骤S104,将图像输入至预先训练完成的年龄识别模型中,输出待识别人脸的年龄识别结果;其中,年龄识别模型基于待识别人脸的除性别特征以外的特征,得到待识别人脸的年龄识别结果。
上述年龄识别模型中通常包含多层卷积层,多层卷积层之间可能穿插有激励层、池化层等;上述年龄识别结果可以理解为,采用计算机视觉等技术,根据输入的包含待识别的人脸的图像自动估计出的该待识别人脸的真实年龄;上述性别特征可以理解为,用于指示待识别人脸的性别为男性或女性的相关性别信息。在实际实现时,当获取到包含有待识别人脸的图像后,将该图像输入至预先训练完成的年龄识别模型中,该年龄识别模型根据待识别人脸的除性别特征以外的特征,输出该待识别人脸的年龄识别结果。
本发明实施例提供的一种识别年龄的方法,当获取到包含有待识别人脸的图像后,将该图像输入至预先训练完成的年龄识别模型中,该年龄识别模型基于待识别人脸的除性别特征以外的特征,输出该待识别人脸的年龄识别结果;该方法在对待识别人脸的年龄进行识别时,基于与性别无关的特征进行年龄识别,消除了对年龄识别结果有较大影响的性别因素,一方面提高了年龄识别的准确性,同时也有利于模型学习,提高了年龄识别模型的泛化能力。
本发明实施例提供了另一种识别年龄的方法,该方法在上述实施例方法的基础上实现;该方法重点描述了年龄识别模型的相关特征,该方法包括如下步骤:
步骤202,获取包含有待识别人脸的图像。
步骤204,将图像输入至预先训练完成的年龄识别模型中,输出待识别人脸的年龄识别结果;其中,年龄识别模型基于待识别人脸的除性别特征以外的特征,得到待识别人脸的年龄识别结果。
上述年龄识别模型包括:共享特征提取网络、性别特征提取网络和年龄识别网络;其中,共享特征提取网络用于从图像中提取待识别人脸的共享特征;性别特征提取网络用于从共享特征中提取待识别人脸的性别特征;年龄识别网络用于从共享特征中剔除性别特征,得到剩余特征,基于剩余特征输出待识别人脸的年龄识别结果。
上述共享特征中通常既包含待识别人脸的年龄特征,也包含待识别人脸的性别特征;上述共享特征提取网络中通常包含若干个Block(局部区域)和一个全连接层FC(FullyConnectedlayers),其中,Block的数量可以根据具体应用的速度与精度需求确定,比如,共享特征提取网络中可以包括一个、两个或多个Block;一般来说,Block的数量越多,网络整体越深,性能越好,速度则越慢;每个Block通常都包含一系列的“卷积+激活函数”,每个Block中包含的“卷积+激活函数”的数量也可以根据具体应用的速度与精度需求确定,也可以理解为,年龄识别模型所对应的卷积神经网络中的卷积层个数,卷积核大小或者激活函数层,均可以根据实际需求进行修改。
上述图像通常为包含待识别人脸的图像,在实际实现时,将该图像输入至共享特征提取网络,以共享特征提取网络中包括Block1、Block2和一个FC1为例,则该图像通过Block1、Block2和全连接层FC1后,可以得到一个长度为c的特征向量f∈Rc,该特征向量f即为共享特征f,其中不仅包含了年龄特征,而且还包含了性别特征。
上述性别特征提取网络中通常包括一个全连接层FC,以从共享特征中提取出待识别人脸的性别特征,比如,该性别特征提取网络中可以包括一个全连接层FC2,上述特征向量f通过全连接层FC2得到特征向量f1,该特征向量f1即为性别特征f1,其中包含了丰富的性别信息。
上述年龄识别网络中通常也包括两个全连接层,如全连接层FC3和全连接层FC_a,该年龄识别网络可以从共享特征f中剔除性别特征f1,得到与性别特征无关的特征向量f2,即f2=f-f1,该特征向量f2即为剩余特征f2,该剩余特征f2通过两个全连接层如FC3和全连接层FC_a,输出待识别人脸的年龄识别结果。
上述共享特征中包括多个特征点;上述性别特征中包括多个特征点;性别特征的特征点的数量与共享特征的特征点的数量相匹配;比如,如果上述共享特征f的长度为c,则上述性别特征f1的长度也为c,可以理解为共享特征f中包括c个特征点,性别特征f1中也包括c个特征点。
上述从共享特征中剔除性别特征的步骤,包括:针对每个特征点,将共享特征中该特征点的特征值减去性别特征中该特征点的特征值,得到剩余特征中该特征点的特征值。在实际实现时,针对共享特征f和性别特征f1中的每个特征点,对相同位置的特征点的特征值做减法,得到剩余特征中该特征点的特征值;比如,如果共享特征f中包括c个特征点,性别特征f1中也包括c个特征点,则将共享特征f中第一个特征点的特征值减去性别特征f1中第一个特征点的特征值,得到剩余特征中第一个特征点的特征值,以此类推,直至得到剩余特征中所有c个特征点的特征值。
本发明实施例提供的另一种识别年龄的方法,重点描述了年龄识别模型的相关特征,当获取到包含有待识别人脸的图像后,将该图像输入至预先训练完成的年龄识别模型中,该年龄识别模型中的共享特征提取网络从图像中提取待识别人脸的共享特征;性别特征提取网络从共享特征中提取待识别人脸的性别特征;年龄识别网络从共享特征中剔除性别特征,得到剩余特征,基于剩余特征输出待识别人脸的年龄识别结果。该方法在对待识别人脸的年龄进行识别时,基于与性别无关的特征进行年龄识别,消除了对年龄识别结果有较大影响的性别因素,一方面提高了年龄识别的准确性,同时也有利于模型学习,提高了年龄识别模型的泛化能力。
本发明实施例还提供一种年龄识别模型的训练方法,如图2所示,该方法包括如下步骤:
步骤S202,基于预设的训练样本集确定样本图像;其中,样本图像携带有年龄标签和性别标签。
上述训练样本集中通常包括大量样本图像,该样本图像用于对年龄识别模型的初始模型进行训练;上述年龄标签可以理解为,对样本图像所对应的真实年龄进行标注的结果,如年龄标签可以是20岁或30岁等;上述性别标签可以理解为,对样本图像中的性别进行标注的结果,如性别标签为1时,表示性别为男性;性别标签为2时,表示性别为女性;上述年龄标签和性别标签可以根据实际需求选择适合的标注方式;在实际实现时,当需要对初始模型进行训练时,通常需要收集大量的人脸图像数据,并对该人脸图像数据进行人工标注,得到数据集Data,按照预设比例,从该数据集Data中划分出训练样本集Data1,并基于该训练样本集,确定样本图像。
比如,将所收集的大量的人脸图像数据中,每张人脸图像用X表示,X∈RH×W×3,其中H表示高度,W表示宽度,3表示RGB(R表示Red,红色;G表示Green,绿色;B表示Blue,蓝色)三个通道,R表示训练样本集;针对每一张人脸图像X,由n个人分别对该人脸的年龄进行标注,得到n个标注结果每一个标注结果/>可以是0到100之间的整数,分别代表0到100岁。取/>的平均a作为该人脸图像X最终的年龄标注结果:
其中,代表对*进行向下取整操作,n表示标注结果的数量,k的取值范围为1、2……n;/>表示第k个标注结果。
针对每一张人脸图像X,对该人脸的性别进行标注,即g∈{1,2},其中,1代表男性,2代表女性。
在对上述大量的人脸图像数据完成年龄标注和性别标注之后,得到数据集Data,将该数据集Data按照10:1的比例划分为训练样本集Data1和测试样本集Data2,具体划分比例也可以根据实际需求进行设置,在此不作限定。
步骤S204,将样本图像输入至初始模型中,以通过初始模型提取样本图像中人脸的性别特征,以及除性别特征以外的特征,基于除性别特征以外的特征得到输出结果。
上述初始模型可以是多任务深度模型Net的网络架构;当完成初始模型的网络架构设计后,随机初始化该初始模型中的所有参数W,如初始模型中的卷积核参数等;在基于预设的训练样本集确定样本图像后,将该样本图像输入至初始模型中,通过该初始模型提取出该样本图像中人脸的性别特征,以及除性别特征以外的特征,根据所提取出的除性别特征以外的特征,得到输出结果,该输出结果可以包括年龄识别结果。
步骤S206,基于输出结果、年龄标签和性别标签,更新初始模型的权重参数;继续执行基于预设的训练样本集确定样本图像的步骤,直到初始模型收敛,得到年龄识别模型。
上述权重参数可以包括初始模型中的所有参数,如卷积核参数等;在对初始模型进行训练时,通常需要基于上述输出结果、年龄标签和性别标签,更新初始模型中的所有参数,以对该初始模型进行训练。然后继续执行基于预设的训练样本集确定样本图像的步骤,直到初始模型收敛,最终得到训练完成的年龄识别模型。
本发明实施例提供的一种年龄识别模型的训练方法,在基于预设的训练样本集确定样本图像后,将该样本图像输入至初始模型中,以通过该初始模型提取样本图像中人脸的性别特征,以及除性别特征以外的特征,基于该除性别特征以外的特征得到输出结果;基于该输出结果、年龄标签和性别标签,更新该初始模型的权重参数;继续执行基于预设的训练样本集确定样本图像的步骤,直到初始模型收敛,得到年龄识别模型。该方法在对待识别人脸的年龄进行识别时,基于与性别无关的特征进行年龄识别,消除了对年龄识别结果有较大影响的性别因素,一方面提高了年龄识别的准确性,同时也有利于模型学习,提高了年龄识别模型的泛化能力。
本发明实施例还提供另一种年龄识别模型的训练方法,该方法在上述实施例方法的基础上实现;该方法重点描述基于输出结果、年龄标签和性别标签,更新初始模型的权重参数的具体过程,具体对应下述步骤S306至步骤S308;如图3所示,该方法包括如下步骤:
步骤S302,基于预设的训练样本集确定样本图像;其中,样本图像携带有年龄标签和性别标签。
步骤S304,将样本图像输入至初始模型中,以通过初始模型提取样本图像中人脸的性别特征,以及除性别特征以外的特征,基于除性别特征以外的特征得到输出结果。
上述初始模型包括共享特征提取网络、性别特征提取网络、性别识别网络和年龄识别网络;共享特征提取网络用于提取样本图像中人脸的共享特征;性别特征提取网络用于从共享特征中提取性别特征;性别识别网络用于基于性别特征输出样本图像中人脸的性别识别结果;年龄识别网络用于从共享特征中剔除性别特征,得到剩余特征,基于剩余特征得到输出结果。
上述共享特征中通常既包含样本图像中人脸的年龄特征,也包含该人脸的性别特征;上述共享特征提取网络中通常包含若干个Block和一个全连接层,其中,Block的数量可以根据具体应用的速度与精度需求确定,比如,共享特征提取网络中可以包括Block1和Block2这两个Block;上述性别特征提取网络中通常包括一个全连接层,如全连接层FC2,以从共享特征中提取出样本图像中人脸的性别特征;上述性别识别网络中通常也包括一个全连接层,如全连接层FC_g,以基于性别特征输出样本图像中人脸的性别识别结果;上述年龄识别网络中通常包括两个全连接层,如全连接层FC3和全连接层FC_a,该年龄识别网络可以从共享特征中剔除性别特征,得到与性别特征无关的剩余特征,该剩余特征通过两个全连接层,如FC3和全连接层FC_a,得到输出结果。
步骤S306,基于性别识别结果和性别标签,确定第一损失值;基于输出结果和年龄标签,确定第二损失值。
上述第一损失值可以用于表示样本图像中人脸的性别识别结果与相应的性别标签之间的差异;上述第二损失值可以用于表示样本图像中人脸的输出结果与相应的年龄标签之间的差异;在实际实现时,当将训练样本集中的一张样本图像输入至初始模型后,可以得到两个结果,分别为性别识别结果和输出结果;其中,该输出结果通常与年龄相关;比如,得到性别识别结果以及与年龄相关的输出结果/>
以性别识别结果为与年龄相关的输出结果为/>为例,将该性别识别结果/>输入至softmax函数(一种分类函数,通过该函数可以把一些输出的神经元映射到0-1之间的实数,并且归一化保证和为1,使得多分类的概率之和也刚好为1),得到性别预测的概率分布向量/>
其中,表示性别识别结果/>中的第j个元素;/>表示性别预测的概率分布向量/>中的第j个元素。通过样本图像中人脸的性别预测的概率分布向量/>与性别标签g∈{1,2}(1代表男性,2代表女性)来计算性别分类损失函数Lgender,相当于上述第一损失值:
其中,表示性别预测的概率分布向量/>中的第g个元素。
通过样本图像中人脸的年龄相关的输出结果与年龄标签a来计算年龄估计损失函数Lage,相当于上述第二损失值:
其中,|*|代表*的绝对值。
步骤S308,基于第一损失值和第二损失值,更新初始模型的权重参数。继续执行基于预设的训练样本集确定样本图像的步骤,直到初始模型收敛,得到年龄识别模型。
在实际实现时,当确定第一损失值和第二损失值之后,基于该第一损失值和第二损失值,更新初始模型的权重参数;比如,如果得到性别分类损失函数Lgender和年龄估计损失函数Lage之后,可以确定初始模型的整体损失函数,该初始模型的整体损失函数为Lgender和Lage之和,即L=Lgender+Lage,首先通过反向传播算法求解整体损失函数L对初始模型中所有参数W的导数然后通过随机梯度下降算法更新初始模型中的所有参数,如下:
其中,α表示学习率,α可以是人工预先设定的超参数,比如,常见的取值为0.01,0.001等。不断迭代地对初始模型的所有参数进行更新,直到收敛,得到训练完成的年龄识别模型。
当得到上述训练完成的年龄识别模型后,可以通过测试样本集Data2对训练好的年龄识别模型的效果进行测试,比如,可以从测试样本集Data2中选择一个测试样本图像,将该测试样本图像输入至训练好的年龄识别模型中,得到年龄相关的输出结果进而得到最终的预测年龄为/>其中,/>代表对*进行向下取整操作;将该预测年龄/>与该测试样本图像的年龄标签进行对比,以确认年龄识别模型的效果。
本发明实施例提供的一种年龄识别模型的训练方法,在基于预设的训练样本集确定样本图像后,首先将该样本图像输入至初始模型中,以通过该初始模型提取样本图像中人脸的性别特征,以及除性别特征以外的特征,基于该除性别特征以外的特征得到输出结果;基于性别识别结果和性别标签,确定第一损失值;基于输出结果和年龄标签,确定第二损失值,基于第一损失值和第二损失值,更新初始模型的权重参数。继续执行基于预设的训练样本集确定样本图像的步骤,直到初始模型收敛,得到年龄识别模型。该方法在对待识别人脸的年龄进行识别时,基于与性别无关的特征进行年龄识别,消除了对年龄识别结果有较大影响的性别因素,一方面提高了年龄识别的准确性,同时也有利于模型学习,提高了年龄识别模型的泛化能力。
为进一步理解上述实施例,下面提供如图4所示的一种深度模型的网络架构示意图;该多任务深度模型Net(相当于上述年龄识别模型或初始模型)的网络架构包括四部分,分别为共享特征提取部分(对应于上述共享特征提取网络)、性别分类部分(对应于上述性别特征提取网络和性别识别网络)、性别无关特征提取部分以及年龄估计部分(对应于上述年龄识别网络);其中,共享特征提取部分包括Block1、Block2和一个全连接层FC1;性别分类部分包括两个全连接层,分别为FC2和FC_g;性别无关特征提取部分中包括一个减法运算模块;年龄估计部分包括两个全连接层,分别为FC3和FC_a。
具体的,该多任务深度模型Net的输入是一副H×W×3大小的人脸图像X(对应于上述包含有待识别人脸的图像或样本图像),人脸图像X通过共享特征提取部分,也就是图中Block1、Block2和全连接层FC1得到一个长度为c的特征向量f∈Rc(对应于上述共享特征),该特征向量f不仅包含了年龄信息而且包含了性别信息,不利于进行性别鲁棒的年龄估计。下面从特征向量f中滤除性别信息,得到与性别无关的特征来进行年龄估计。
将特征向量f输入至性别分类部分以提取性别相关的特征,具体的,特征向量f通过全连接层FC_2得到特征向量f1(对应于上述性别特征),然后将特征向量f1输入至全连接层FC_g得到性别输出(对应于上述性别识别结果);由于特征向量f1中包含了丰富的性别信息,通过将特征向量f和特征向量f1输入至性别无关特征提取部分,从共享特征f中减去性别特征f1可以得到性别无关特征f2(对应于上述剩余特征),其中,f2=f-f1,性别无关特征f2由于去除了性别信息,比较适合用来进行性别鲁棒的年龄估计任务;将性别无关特征f2输入至年龄估计部分,通过年龄估计部分中的全连接层FC3与FC_a,得到年龄输出(对应于上述年龄识别结果或输出结果)。
与已有的传统人脸年龄估计算法相比,本发明提供的识别年龄的方法是一种基于深度学习的人脸年龄估计算法,可以自动学习与年龄有关的人脸图像多层级语义特征,精度高。
另外,与已有的深度人脸年龄估计算法相比,本发明显式地考虑男女年龄模式之间的差异,为了消除性别因素对人脸年龄估计任务带来的干扰,提出了一种性别鲁棒的深度人脸年龄估计算法。具体来讲,通过设计一种多任务深度模型,该模型通过性别分类任务学习性别特征,然后从年龄性别共享特征中减去性别特征,得到性别无关的特征,该性别无关特征不包含性别相关的信息,因此对性别变化较为鲁棒,最后利用该性别无关特征进行年龄估计任务,由此实现性别鲁棒的人脸年龄估计。
本发明实施例提供了一种识别年龄的装置的结构示意图,如图5所示,该装置包括:获取模块50,用于获取包含有待识别人脸的图像;输出模块51,用于将图像输入至预先训练完成的年龄识别模型中,输出待识别人脸的年龄识别结果;其中,年龄识别模型基于待识别人脸的除性别特征以外的特征,得到待识别人脸的年龄识别结果。
本发明实施例提供的一种识别年龄的装置,当获取到包含有待识别人脸的图像后,将该图像输入至预先训练完成的年龄识别模型中,该年龄识别模型基于待识别人脸的除性别特征以外的特征,输出该待识别人脸的年龄识别结果;该装置在对待识别人脸的年龄进行识别时,基于与性别无关的特征进行年龄识别,消除了对年龄识别结果有较大影响的性别因素,一方面提高了年龄识别的准确性,同时也有利于模型学习,提高了年龄识别模型的泛化能力。
进一步的,年龄识别模型包括:共享特征提取网络、性别特征提取网络和年龄识别网络;其中,共享特征提取网络用于从图像中提取待识别人脸的共享特征;性别特征提取网络用于从共享特征中提取待识别人脸的性别特征;年龄识别网络用于从共享特征中剔除性别特征,得到剩余特征,基于剩余特征输出待识别人脸的年龄识别结果。
进一步的,共享特征中包括多个特征点;性别特征中包括多个特征点;性别特征的特征点的数量与共享特征的特征点的数量相匹配;从共享特征中剔除性别特征的步骤,包括:针对每个特征点,将共享特征中该特征点的特征值减去性别特征中该特征点的特征值,得到剩余特征中该特征点的特征值。
本发明实施例所提供的识别年龄的装置,其实现原理及产生的技术效果和前述识别年龄的方法实施例相同,为简要描述,识别年龄的装置实施例部分未提及之处,可参考前述识别年龄的方法实施例中相应内容。
本发明实施例提供了一种年龄识别模型的训练装置的结构示意图,如图6所示,该装置包括:确定模块60,用于基于预设的训练样本集确定样本图像;其中,样本图像携带有年龄标签和性别标签;输入模块61,用于将样本图像输入至初始模型中,以通过初始模型提取样本图像中人脸的性别特征,以及除性别特征以外的特征,基于除性别特征以外的特征得到输出结果;更新模块62,用于基于输出结果、年龄标签和性别标签,更新初始模型的权重参数;继续执行基于预设的训练样本集确定样本图像的步骤,直到初始模型收敛,得到年龄识别模型。
本发明实施例提供的一种年龄识别模型的训练装置,在基于预设的训练样本集确定样本图像后,将该样本图像输入至初始模型中,以通过该初始模型提取样本图像中人脸的性别特征,以及除性别特征以外的特征,基于该除性别特征以外的特征得到输出结果;基于该输出结果、年龄标签和性别标签,更新该初始模型的权重参数;继续执行基于预设的训练样本集确定样本图像的步骤,直到初始模型收敛,得到年龄识别模型。该装置在对待识别人脸的年龄进行识别时,基于与性别无关的特征进行年龄识别,消除了对年龄识别结果有较大影响的性别因素,一方面提高了年龄识别的准确性,同时也有利于模型学习,提高了年龄识别模型的泛化能力。
进一步的,初始模型包括共享特征提取网络、性别特征提取网络、性别识别网络和年龄识别网络;共享特征提取网络用于提取样本图像中人脸的共享特征;性别特征提取网络用于从共享特征中提取性别特征;性别识别网络用于基于性别特征输出样本图像中人脸的性别识别结果;年龄识别网络用于从共享特征中剔除性别特征,得到剩余特征,基于剩余特征得到输出结果;更新模块62还用于:基于性别识别结果和性别标签,确定第一损失值;基于输出结果和年龄标签,确定第二损失值;基于第一损失值和第二损失值,更新初始模型的权重参数。
本发明实施例所提供的年龄识别模型的训练装置,其实现原理及产生的技术效果和前述年龄识别模型的训练方法实施例相同,为简要描述,年龄识别模型的训练装置实施例部分未提及之处,可参考前述年龄识别模型的训练方法实施例中相应内容。
本发明实施例还提供了一种服务器,参见图7所示,该服务器包括处理器150和存储器151,该存储器151存储有能够被处理器150执行的机器可执行指令,该处理器150执行机器可执行指令以实现上述识别年龄的方法,或年龄识别模型的训练方法。
进一步的,图7所示的服务器还包括总线152和通信接口153,处理器150、通信接口153和存储器151通过总线152连接。
其中,存储器151可能包含高速随机存取存储器(RAM,RandomAccessMemory),也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。通过至少一个通信接口153(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线152可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器150可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器150中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器150可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器151,处理器150读取存储器151中的信息,结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,该机器可执行指令促使处理器实现上述识别年龄的方法,或年龄识别模型的训练方法,具体实现可参见方法实施例,在此不再赘述。
本发明实施例所提供的识别年龄的方法、年龄识别模型的训练方法和装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种识别年龄的方法,其特征在于,所述方法包括:
获取包含有待识别人脸的图像;
将所述图像输入至预先训练完成的年龄识别模型中,输出所述待识别人脸的年龄识别结果;
其中,所述年龄识别模型基于所述待识别人脸的除性别特征以外的特征,得到所述待识别人脸的年龄识别结果;
所述年龄识别模型包括:共享特征提取网络、性别特征提取网络和年龄识别网络;
其中,所述共享特征提取网络用于从所述图像中提取所述待识别人脸的共享特征;所述性别特征提取网络用于从所述共享特征中提取所述待识别人脸的性别特征;
所述年龄识别网络用于从所述共享特征中剔除所述性别特征,得到剩余特征,基于所述剩余特征输出所述待识别人脸的年龄识别结果;
所述共享特征中包括多个特征点;所述性别特征中包括多个特征点;所述性别特征的特征点的数量与所述共享特征的特征点的数量相匹配;
所述从所述共享特征中剔除所述性别特征的步骤,包括:针对每个特征点,将所述共享特征中该特征点的特征值减去所述性别特征中该特征点的特征值,得到所述剩余特征中该特征点的特征值。
2.一种年龄识别模型的训练方法,其特征在于,所述方法包括:
基于预设的训练样本集确定样本图像;其中,所述样本图像携带有年龄标签和性别标签;
将所述样本图像输入至初始模型中,以通过所述初始模型提取所述样本图像中人脸的性别特征,以及除所述性别特征以外的特征,基于所述除所述性别特征以外的特征得到输出结果;
基于所述输出结果、所述年龄标签和所述性别标签,更新所述初始模型的权重参数;继续执行基于预设的训练样本集确定样本图像的步骤,直到所述初始模型收敛,得到所述年龄识别模型;
所述初始模型包括共享特征提取网络、性别特征提取网络、性别识别网络和年龄识别网络;
所述共享特征提取网络用于提取所述样本图像中人脸的共享特征;
所述性别特征提取网络用于从所述共享特征中提取性别特征;
所述性别识别网络用于基于所述性别特征输出所述样本图像中人脸的性别识别结果;
所述年龄识别网络用于从所述共享特征中剔除所述性别特征,得到剩余特征,基于所述剩余特征得到输出结果。
3.根据权利要求2所述的方法,其特征在于,
所述基于所述输出结果、所述年龄标签和所述性别标签,更新所述初始模型的权重参数的步骤,包括:
基于所述性别识别结果和所述性别标签,确定第一损失值;
基于所述输出结果和所述年龄标签,确定第二损失值;
基于所述第一损失值和所述第二损失值,更新所述初始模型的权重参数。
4.一种识别年龄的装置,其特征在于,所述装置包括:
获取模块,用于获取包含有待识别人脸的图像;
输出模块,用于将所述图像输入至预先训练完成的年龄识别模型中,输出所述待识别人脸的年龄识别结果;
其中,所述年龄识别模型基于所述待识别人脸的除性别特征以外的特征,得到所述待识别人脸的年龄识别结果;
所述年龄识别模型包括:共享特征提取网络、性别特征提取网络和年龄识别网络;
其中,所述共享特征提取网络用于从所述图像中提取所述待识别人脸的共享特征;所述性别特征提取网络用于从所述共享特征中提取所述待识别人脸的性别特征;
所述年龄识别网络用于从所述共享特征中剔除所述性别特征,得到剩余特征,基于所述剩余特征输出所述待识别人脸的年龄识别结果;
所述共享特征中包括多个特征点;所述性别特征中包括多个特征点;所述性别特征的特征点的数量与所述共享特征的特征点的数量相匹配;
所述从所述共享特征中剔除所述性别特征的步骤,包括:针对每个特征点,将所述共享特征中该特征点的特征值减去所述性别特征中该特征点的特征值,得到所述剩余特征中该特征点的特征值。
5.一种年龄识别模型的训练装置,其特征在于,所述装置包括:
确定模块,用于基于预设的训练样本集确定样本图像;其中,所述样本图像携带有年龄标签和性别标签;
输入模块,用于将所述样本图像输入至初始模型中,以通过所述初始模型提取所述样本图像中人脸的性别特征,以及除所述性别特征以外的特征,基于所述除所述性别特征以外的特征得到输出结果;
更新模块,用于基于所述输出结果、所述年龄标签和所述性别标签,更新所述初始模型的权重参数;继续执行基于预设的训练样本集确定样本图像的步骤,直到所述初始模型收敛,得到所述年龄识别模型;
所述初始模型包括共享特征提取网络、性别特征提取网络、性别识别网络和年龄识别网络;
所述共享特征提取网络用于提取所述样本图像中人脸的共享特征;
所述性别特征提取网络用于从所述共享特征中提取性别特征;
所述性别识别网络用于基于所述性别特征输出所述样本图像中人脸的性别识别结果;
所述年龄识别网络用于从所述共享特征中剔除所述性别特征,得到剩余特征,基于所述剩余特征得到输出结果。
6.一种服务器,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现权利要求1所述的识别年龄的方法,或权利要求2-3任一项所述的年龄识别模型的训练方法。
7.一种机器可读存储介质,其特征在于,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现权利要求1所述的识别年龄的方法,或权利要求2-3任一项所述的年龄识别模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010786438.2A CN111914772B (zh) | 2020-08-06 | 2020-08-06 | 识别年龄的方法、年龄识别模型的训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010786438.2A CN111914772B (zh) | 2020-08-06 | 2020-08-06 | 识别年龄的方法、年龄识别模型的训练方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914772A CN111914772A (zh) | 2020-11-10 |
CN111914772B true CN111914772B (zh) | 2024-05-03 |
Family
ID=73287883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010786438.2A Active CN111914772B (zh) | 2020-08-06 | 2020-08-06 | 识别年龄的方法、年龄识别模型的训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914772B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112949571A (zh) * | 2021-03-26 | 2021-06-11 | 北京金山云网络技术有限公司 | 识别年龄的方法、年龄识别模型的训练方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052862A (zh) * | 2017-11-09 | 2018-05-18 | 北京达佳互联信息技术有限公司 | 年龄预估方法和装置 |
CN109522872A (zh) * | 2018-12-04 | 2019-03-26 | 西安电子科技大学 | 一种人脸识别方法、装置、计算机设备及存储介质 |
WO2019085338A1 (zh) * | 2017-11-01 | 2019-05-09 | 平安科技(深圳)有限公司 | 电子装置、基于图像的年龄分类方法、系统及存储介质 |
WO2019109526A1 (zh) * | 2017-12-06 | 2019-06-13 | 平安科技(深圳)有限公司 | 人脸图像的年龄识别方法、装置及存储介质 |
CN110046941A (zh) * | 2019-04-23 | 2019-07-23 | 杭州智趣智能信息技术有限公司 | 一种人脸识别方法、系统及电子设备和存储介质 |
CN110084174A (zh) * | 2019-04-23 | 2019-08-02 | 杭州智趣智能信息技术有限公司 | 一种人脸识别方法、系统及电子设备和存储介质 |
CN111104874A (zh) * | 2019-12-03 | 2020-05-05 | 北京金山云网络技术有限公司 | 人脸年龄预测方法及模型的训练方法、装置及电子设备 |
CN111401339A (zh) * | 2020-06-01 | 2020-07-10 | 北京金山云网络技术有限公司 | 识别人脸图像中的人的年龄的方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679451A (zh) * | 2017-08-25 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 建立人脸识别模型的方法、装置、设备和计算机存储介质 |
-
2020
- 2020-08-06 CN CN202010786438.2A patent/CN111914772B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019085338A1 (zh) * | 2017-11-01 | 2019-05-09 | 平安科技(深圳)有限公司 | 电子装置、基于图像的年龄分类方法、系统及存储介质 |
CN108052862A (zh) * | 2017-11-09 | 2018-05-18 | 北京达佳互联信息技术有限公司 | 年龄预估方法和装置 |
WO2019109526A1 (zh) * | 2017-12-06 | 2019-06-13 | 平安科技(深圳)有限公司 | 人脸图像的年龄识别方法、装置及存储介质 |
CN109522872A (zh) * | 2018-12-04 | 2019-03-26 | 西安电子科技大学 | 一种人脸识别方法、装置、计算机设备及存储介质 |
CN110046941A (zh) * | 2019-04-23 | 2019-07-23 | 杭州智趣智能信息技术有限公司 | 一种人脸识别方法、系统及电子设备和存储介质 |
CN110084174A (zh) * | 2019-04-23 | 2019-08-02 | 杭州智趣智能信息技术有限公司 | 一种人脸识别方法、系统及电子设备和存储介质 |
CN111104874A (zh) * | 2019-12-03 | 2020-05-05 | 北京金山云网络技术有限公司 | 人脸年龄预测方法及模型的训练方法、装置及电子设备 |
CN111401339A (zh) * | 2020-06-01 | 2020-07-10 | 北京金山云网络技术有限公司 | 识别人脸图像中的人的年龄的方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
基于深度卷积网络的人脸年龄分析算法与实现;曹檑;莫雅婷;黄晨;魏子涵;;软件工程(08);全文 * |
基于深度学习与随机森林的人脸年龄与性别分类研究;董兰芳;张军挺;;计算机工程(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111914772A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | Multi-stage feature constraints learning for age estimation | |
CN111259142B (zh) | 基于注意力编码和图卷积网络的特定目标情感分类方法 | |
CN112270196B (zh) | 实体关系的识别方法、装置及电子设备 | |
CN105975916B (zh) | 基于多输出卷积神经网络和有序回归的年龄估计方法 | |
CN110147732A (zh) | 指静脉识别方法、装置、计算机设备及存储介质 | |
Bertrand et al. | Bark and leaf fusion systems to improve automatic tree species recognition | |
CN110414541B (zh) | 用于识别物体的方法、设备和计算机可读存储介质 | |
CN111914772B (zh) | 识别年龄的方法、年龄识别模型的训练方法和装置 | |
CN113593661B (zh) | 临床术语标准化方法、装置、电子设备及存储介质 | |
CN111611877A (zh) | 基于多时空信息融合的抗年龄干扰的人脸识别方法 | |
CN111325237B (zh) | 一种基于注意力交互机制的图像识别方法 | |
CN113033321A (zh) | 目标行人属性识别模型的训练方法及行人属性识别方法 | |
CN116740362B (zh) | 一种基于注意力的轻量化非对称场景语义分割方法及系统 | |
CN113240655A (zh) | 一种自动检测眼底图像类型的方法、存储介质及装置 | |
CN112883931A (zh) | 基于长短期记忆网络的实时真假运动判断方法 | |
CN115439685A (zh) | 一种小样本图像数据集划分方法及计算机可读存储介质 | |
Jiang et al. | Negative label guided ood detection with pretrained vision-language models | |
CN116451081A (zh) | 数据漂移的检测方法、装置、终端及存储介质 | |
CN114462466A (zh) | 一种面向深度学习的数据去偏方法 | |
CN111967383A (zh) | 年龄估计方法、年龄估计模型的训练方法和装置 | |
CN115310606A (zh) | 基于数据集敏感属性重构的深度学习模型去偏方法及装置 | |
CN117011539A (zh) | 目标检测方法、目标检测模型的训练方法、装置及设备 | |
CN115345248A (zh) | 一种面向深度学习的数据去偏方法及装置 | |
CN113743194A (zh) | 人脸静默活体检测方法、装置、电子设备及存储介质 | |
Dharavath et al. | A parallel deep learning approach for age invariant face recognition system |
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 |