CN117238008A - 年龄回归方法及装置 - Google Patents
年龄回归方法及装置 Download PDFInfo
- Publication number
- CN117238008A CN117238008A CN202310325227.2A CN202310325227A CN117238008A CN 117238008 A CN117238008 A CN 117238008A CN 202310325227 A CN202310325227 A CN 202310325227A CN 117238008 A CN117238008 A CN 117238008A
- Authority
- CN
- China
- Prior art keywords
- age
- training
- regression model
- picture
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 122
- 230000006870 function Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本公开涉及计算机技术领域,提供了一种年龄回归方法及装置,所述方法包括:获取包含目标人物的待识别图片;将所述待识别图片输入到预置的年龄回归模型,得到所述待识别图片相对于参考图片对的相对位置系数,以根据所述相对位置系数得到所述目标人物的年龄,其中,所述年龄回归模型根据初始回归模型和所述参考图片对训练得到,所述参考图片对根据预设的年龄间隔参数在训练图片集中选取。本公开的技术方案可以提高年龄回归模型的年龄预测精度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种年龄回归方法及装置。
背景技术
年龄是一种重要的模式识别属性,在人机交互、智能商务、安全监控和娱乐等领域都有着广泛的应用。
相关技术中,可以通过训练好的深度学习模型估计图像中人物的年龄。常用的深度学习模型在训练的过程中将年龄估计任务看作是分类任务或者回归任务,直接预测年龄值。在预测年龄值时,由于不同年龄之间没有很清晰的特征差异和严格的界限,直接预测其真值很难达到较高的精度。
发明内容
有鉴于此,本公开实施例提供了一种年龄回归方法、装置、电子设备及计算机可读存储介质,以解决现有技术中直接预测年龄真值时难以到达较高精度的技术问题。
本公开实施例的第一方面,提供了一种年龄回归方法,该方法包括:获取包含目标人物的待识别图片;将待识别图片输入到预置的年龄回归模型,得到待识别图片相对于参考图片对的相对位置系数,以根据相对位置系数得到目标人物的年龄,其中,年龄回归模型根据初始回归模型和参考图片对训练得到,参考图片对根据预设的年龄间隔参数在训练图片集中选取。
本公开实施例的第二方面,提供了一种年龄回归装置,该装置包括:获取模块,用于获取包含目标人物的待识别图片;年龄回归模块,用于将待识别图片输入到预置的年龄回归模型,得到待识别图片相对于参考图片对的相对位置系数,以根据相对位置系数得到目标人物的年龄,其中,年龄回归模型根据初始回归模型和参考图片对训练得到,参考图片对根据预设的年龄间隔参数在训练图片集中选取。
本公开实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是:通过采用预设的年龄间隔参数选取参考图片对,并根据该参考图片对训练年龄回归模型,即采用相对的年龄预测方式进行年龄值预测以训练年龄回归模型,相比较直接进行年龄值预测,可以提高年龄回归模型的年龄预测精度。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本公开的一些实施例,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它的附图。
图1是本公开实施例提供的一种年龄回归方法的流程示意图;
图2是本公开实施例提供的一种年龄回归模型的训练方法的流程示意图;
图3是本公开实施例提供的另一种年龄回归模型的训练方法的流程示意图;
图4是本公开实施例提供的一种年龄回归装置的结构示意图;
图5是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本公开实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本公开的描述。
本公开的技术方案可适用于年龄识别的各种场景。在一些实现方式中,可以通过具备年龄识别功能的年龄回归模型对该场景的人物图像进行识别,从而确定该人物图像对应的人物年龄,其中,年龄回归模型经过预先训练得到。
在训练年龄回归模型的过程中,通过获取大量的人物图像,并对每个人物图像打上对应的年龄标签,然后将各人物图像以及各人物图像对应的年龄标签输入至还未经训练的神经网络中进行训练,使得训练得到的年龄回归模型基于各人脸图像输出的年龄识别结果能够无限逼近于各年龄图像对应的年龄标签,从而使年龄回归模型学习到这些人物图像的人物特征,进而具备分辨不同年龄的人物图像的能力,具备分辨不同年龄的人物图像的能力的年龄回归模型即可用于识别人物图像对应的人物年龄。
以上训练年龄回归模型的方法为通过直接预测年龄值进行年龄回归模型训练的方法,由于不同年龄之间没有很清晰的特征差异和严格的界限,直接预测其真值很难达到较高的精度。
为解决以上问题,本公开实施例提供一种年龄回归方案,采用非直接预测年龄值的方式进行年龄回归模型训练,从而提高训练得到的年龄回归模型的年龄预测精度。
下面将结合附图详细说明根据本公开实施例的年龄回归方法和装置。
图1是本公开实施例提供的一种年龄回归方法的流程示意图。本公开实施例提供的方法可以由任意具备计算机处理能力的电子设备执行,例如终端或服务器。如图1所示,该年龄回归方法包括:
步骤S101,获取包含目标人物的待识别图片。
步骤S102,将待识别图片输入到预置的年龄回归模型,得到待识别图片相对于参考图片对的相对位置系数,以根据相对位置系数得到目标人物的年龄,其中,年龄回归模型根据初始回归模型和参考图片对训练得到,参考图片对根据预设的年龄间隔参数在训练图片集中选取。
在本公开实施例的技术方案中,设计了一种基于参考系的年龄回归方法,该年龄回归方法在训练图片集中选取参考图片,并依据该参考图片建立参考系训练年龄回归模型,因为采用了非直接预测的方式进行年龄回归模型的训练,相比较采用直接预测的方式进行年龄回归模型的训练,可以使得年龄回归模型具有较高的预测精度。
如图1所示的是本公开实施例提供的年龄回归模型的应用推理过程,在年龄回归模型进行应用之前,需要确定初始回归模型的框架,并对该初始回归模型进行训练,以得到年龄回归模型。
如图2所示,年龄回归模型的训练方法包括以下步骤:
步骤S201,根据当前年龄值和年龄间隔参数获取第一参考年龄值和第二参考年龄值,其中,当前年龄值为初始设置年龄值或上一个循环的年龄预测值。
具体地,步骤S201至步骤S204为训练年龄回归模型过程中的一个循环。在训练年龄回归模型的过程的第一个循环开始之前,可以设置一个初始设置年龄作为第一个循环中步骤S201的当前年龄值。例如,可以对步骤S201中的当前年龄值进行随机初始化。根据当前年龄值和年龄间隔参数获取参考年龄值时,若当前年龄值为初始设置年龄值y0,年龄间隔参数为d,则可以选取y0-d和y0+d作为参考年龄值。若当前年龄值为上一个循环的年龄预测值y′t-1,年龄间隔参数为d,则可以选取y′t-1-d和y′t-1+d作为参考年龄值。例如,若第一个循环的初始设置年龄值或者非第一个循环的上一个循环的年龄预测值为23,年龄间隔参数为5,则可以选取18和28为参考年龄值。
步骤S202,分别根据第一参考年龄值和第二参考年龄值在训练图片集中选取对应的第一参考图片和第二参考图片组成参考图片对。
具体地,根据第一参考年龄值和第二参考年龄值可以确定训练图片的训练标签,并进一步根据训练标签选取参考图片对。其中,训练标签是根据训练图片中的人物已知的年龄值对训练图片预先进行标注得到的标签。在步骤S202中选取得到的第一参考图片的训练标签可以体现第一参考年龄值,在步骤S202中选取得到的第二参考图片的训练标签可以体现第二参考年龄值。
步骤S203,将训练图片集中的训练图片、第一参考图片和第二参考图片输入到初始回归模型,得到相对位置系数。
具体地,将第一参考图片和第二参考图片组成的图片对作为参考系,采用初始回归模型得到当前的训练图片相对于参考系的相对位置系数。初始回归模型和和根据初始回归模型训练得到的年龄回归模型是一种针对相对位置系数的回归网络,根据该回归网络,可以得到训练图片相对于参考图片对的相对位置。
步骤S204,根据相对位置系数、第一参考年龄值和第二参考年龄值获取本循环的年龄预测值。
具体地,根据相对位置系数和参考系计算年龄预测值,相当于根据步骤S203得到的训练图片相对于参考图片对的相对位置间接获取年龄预测值,是一种间接预测年龄值的方式,而非直接预测年龄值的方式。
步骤S205,根据年龄预测值训练初始回归模型,直到初始回归模型收敛,得到年龄回归模型。
具体地,在步骤S205中,循环执行步骤S201至步骤S204,直至初始回归模型收敛。初始回归模型收敛的收敛条件可以为y′t=y′t-1,其中,y′t为本循环的年龄预测值,y′t-1为上一个循环的年龄预测。
在本公开实施例的技术方案中,参考图片建立参考系,并基于该参考系回归一个相对位置系数,进而根据该相对位置系数得到年龄预测值,从而根据该年龄预测值进行年龄回归模型的训练。由于相对评估比绝对评估容易,采用本公开实施例的采用非直接预测的方法得到的年龄回归模型可以提高年龄预测的精度。
为便于理解本公开实施例的技术方案,先通过一个示例对年龄回归模型的训练过程进行具体介绍。以要识别的年龄范围在1至100之间为例,通过若干张人物图像作为训练数据集对初始回归模型进行训练为例。可以理解的是,初始回归模型是一种用于解决分类问题的神经网络,相当于将年龄分为100类,预测年龄即预测类别。
在步骤S202之前,给训练数据集中的每张训练图片即任务图像打上年龄标签。由于要识别的年龄范围在1至100之间,则可以使用100维向量作为一张人物图像对应的年龄标签,该100维向量用于指示一张人物图像对应的年龄。
在步骤S202中,可以根据第一参考年龄值对应的第一训练标签在训练图片集中选取第一训练标签对应的第一参考图片;根据第二参考年龄值对应的第二训练标签在训练图片集中选取第二训练标签对应的第二参考图片。
具体地,第一参考图片和第二参考图片组成的参考图片对,该参考图片对可以作为参考系,以根据参考系和初始回归模型对训练图片相对于参考系的位置进行预测。
在步骤S203中,可以将训练图片、第一参考图片和第二参考图片输入到初始回归模型的主干网络(backbone)进行特征提取,得到对应的图片特征图;将图片特征图输入到初始回归模型的拼接层进行拼接,得到拼接数据;将拼接数据输入到初始回归模型的FC(Fully Connected layers,全连接层),得到分类数据;将分类数据输入到初始回归模型的激活层,得到相对位置系数。
在步骤S203中,将作为训练图片的各人物图像和参考图片对输入至初始回归模型,针对每张训练图片,初始回归模型均会输出一个相对于参考图片对的相对位置系数。
具体地,如图3所示,将输入训练图片302、第一参考图片301和第二参考图片303输入到初始回归模型的主干网络304进行特征提取,得到对应的图片特征图。将提取到的三个图片特征图输入到拼接层305堆叠在一起,得到拼接数据。其中,拼接层可以使用合并函数concatenate实现对图片特征图的拼接。之后,将拼接数据输入到全连接层306,得到分类数据。之后,将分类数据输入到激活层307,将相对位置系数的预测值规范到[-1,1],即可以得到相对位置系数p。
在本公开实施例中,主干网络可以为带有权重的18层残差网络Restnet18,其中,Restnet(Residual Network,残差网络)是一种卷积神经网络结构,18指的是权重层的数量。残差网络的输入先经过一个卷积层,再经过一个池化层,再经过若干个残差块。残差网络的特点是容易优化,并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接,缓解了在深度神经网络中增加深度带来的梯度消失问题。
在本公开实施例中,激活层可以为双曲正切函数层,其可以采用双曲正切函数对层输入数据进行处理。双曲正切函数(hyperbolic tangent function)是双曲函数的一种,其在数学语言上一般写作tanh。双曲正切函数在计算上等于双曲正弦与双曲余弦的比值,即tanh(x)=sinh(x)/cosh(x)。
将分类数据输入到初始回归模型的激活层后,可以得到训练图片相对于参考系的相对位置系数的概率,进而可以选取概率最大的相对位置系数作为本循环的相对位置系数输出。
在步骤S204中,可以根据以下公式(1)获取年龄预测值:
其中,y′为年龄预测值,p为步骤S203中得到的相对位置系数,d为年龄间隔参数,R1为第一参考年龄值,R2为第二参考年龄值。R1和R2也可以分别理解为第一参考图片和第二参考图片的训练标签。
在步骤S204计算得到本循环的年龄预测值之后,计算本循环的年龄预测值与训练标签之间的差距,以确定初始回归模型的损失,其中,初始回归模型的损失表示了年龄回归的精准度,损失越小,则说明初始回归模型的精准度越高,与真实情况越接近。具体地,可采用损失函数计算本循环的年龄预测值与训练标签之间的损失。在确定初始回归模型的损失后,在步骤S205中,根据损失调整初始回归模型的网络参数。
以上步骤S201至步骤S204,即为初始回归模型的一次调参过程,在实际训练的过程中,会获取大量的人物图像,将人物图像对应的真实年龄作为年龄标签,进行多次迭代调参训练,直至初始回归模型收敛,即可得到年龄回归模型。这里,初始回归模型收敛可以包括损失达到最小、损失在一个范围内波动或训练次数达到一定数量。
在使用年龄回归模型时,将一人物图像输入该年龄回归模型,年龄回归模型即可以预测得到一个相对位置系数的概率向量,通常将概率最大的相对位置系数作为相对位置系数预测结果,根据该相对位置系数预测结果和公式(1),即可以计算得到年龄预测值即目标任务的年龄,并反馈给用户。
根据本公开实施例的年龄回归方法,通过采用预设的年龄间隔参数选取参考图片对,并根据该参考图片对训练年龄回归模型,即采用相对的年龄预测方式进行年龄值预测以训练年龄回归模型,相比较直接进行年龄值预测,可以提高年龄回归模型的年龄预测精度。
下述为本公开装置实施例,可以用于执行本公开方法实施例。下文描述的年龄回归装置与上文描述的年龄回归方法可相互对应参照。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图4是本公开实施例提供的一种年龄回归装置的示意图。如图4所示,该年龄回归装置包括:
获取模块401,用于获取包含目标人物的待识别图片;
年龄回归模块402,用于将待识别图片输入到预置的年龄回归模型,得到待识别图片相对于参考图片对的相对位置系数,以根据相对位置系数得到目标人物的年龄,其中,年龄回归模型根据初始回归模型和参考图片对训练得到,参考图片对根据预设的年龄间隔参数在训练图片集中选取。
在本公开实施例的技术方案中,设计了一种基于参考系的年龄回归方法,该年龄回归方法在训练图片集中选取参考图片,并依据该参考图片建立参考系训练年龄回归模型,因为采用了非直接预测的方式进行年龄回归模型的训练,相比较采用直接预测的方式进行年龄回归模型的训练,可以使得年龄回归模型具有较高的预测精度。
在本公开实施例中,该年龄回归装置还可以包括训练模块,该训练模块包括:
第一选取子模块,用于根据当前年龄值和年龄间隔参数获取第一参考年龄值和第二参考年龄值,其中,当前年龄值为初始设置年龄值或上一个循环的年龄预测值。
在训练模块训练年龄回归模型的过程的第一个循环开始之前,可以设置一个初始设置年龄作为第一个循环中的当前年龄值。例如,可以当前年龄值进行随机初始化。根据当前年龄值和年龄间隔参数获取参考年龄值时,若当前年龄值为初始设置年龄值y0,年龄间隔参数为d,则可以选取y0-d和y0+d作为参考年龄值。若当前年龄值为上一个循环的年龄预测值y′t-1,年龄间隔参数为d,则可以选取y′t-1-d和y′t-1+d作为参考年龄值。例如,若第一个循环的初始设置年龄值或者非第一个循环的上一个循环的年龄预测值为23,年龄间隔参数为5,则可以选取18和28为参考年龄值。
第二选取子模块,用于分别根据第一参考年龄值和第二参考年龄值在训练图片集中选取对应的第一参考图片和第二参考图片组成参考图片对。
具体地,根据第一参考年龄值和第二参考年龄值可以确定训练图片的训练标签,并进一步根据训练标签选取参考图片对。其中,训练标签是根据训练图片中的人物已知的年龄值对训练图片预先进行标注得到的标签。第一参考图片的训练标签可以体现第一参考年龄值,第二参考图片的训练标签可以体现第二参考年龄值。
预测子模块,用于将训练图片集中的训练图片、第一参考图片和第二参考图片输入到初始回归模型,得到相对位置系数。
具体地,将第一参考图片和第二参考图片组成的图片对作为参考系,采用初始回归模型得到当前的训练图片相对于参考系的相对位置系数。初始回归模型和和根据初始回归模型训练得到的年龄回归模型是一种针对相对位置系数的回归网络,根据该回归网络,可以得到训练图片相对于参考图片对的相对位置。
获取子模块,用于根据相对位置系数、第一参考年龄值和第二参考年龄值获取本循环的年龄预测值。
具体地,根据相对位置系数和参考系计算年龄预测值,相当于根据训练图片相对于参考图片对的相对位置间接获取年龄预测值,是一种间接预测年龄值的方式,而非直接预测年龄值的方式。
训练子模块,用于根据年龄预测值训练初始回归模型,直到初始回归模型收敛,得到年龄回归模型。
具体地,初始回归模型收敛的收敛条件可以为y′t=y′t-1,其中,y′t为本循环的年龄预测值,y′t-1为上一个循环的年龄预测。
在本公开实施例的技术方案中,参考图片建立参考系,并基于该参考系回归一个相对位置系数,进而根据该相对位置系数得到年龄预测值,从而根据该年龄预测值进行年龄回归模型的训练。由于相对评估比绝对评估容易,采用本公开实施例的采用非直接预测的方法得到的年龄回归模型可以提高年龄预测的精度。
在本公开实施例中,第二选取子模块可以根据第一参考年龄值对应的第一训练标签在训练图片集中选取第一训练标签对应的第一参考图片;根据第二参考年龄值对应的第二训练标签在训练图片集中选取第二训练标签对应的第二参考图片。
具体地,第一参考图片和第二参考图片组成的参考图片对,该参考图片对可以作为参考系,以根据参考系和初始回归模型对训练图片相对于参考系的位置进行预测。
在本公开实施例中,预测子模块可以将训练图片、第一参考图片和第二参考图片输入到初始回归模型的主干网络(backbone)进行特征提取,得到对应的图片特征图;将图片特征图输入到初始回归模型的拼接层进行拼接,得到拼接数据;将拼接数据输入到初始回归模型的FC(Fully Connected layers,全连接层),得到分类数据;将分类数据输入到初始回归模型的激活层,得到相对位置系数。
具体地,将作为训练图片的各人物图像和参考图片对输入至初始回归模型,针对每张训练图片,初始回归模型均会输出一个相对于参考图片对的相对位置系数。
在本公开实施例中,主干网络可以为带有权重的18层残差网络Restnet18,其中,Restnet(Residual Network,残差网络)是一种卷积神经网络结构,18指的是权重层的数量。残差网络的输入先经过一个卷积层,再经过一个池化层,再经过若干个残差块。残差网络的特点是容易优化,并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接,缓解了在深度神经网络中增加深度带来的梯度消失问题。
在本公开实施例中,激活层可以为双曲正切函数层,其可以采用双曲正切函数对层输入数据进行处理。双曲正切函数(hyperbolic tangent function)是双曲函数的一种,其在数学语言上一般写作tanh。双曲正切函数在计算上等于双曲正弦与双曲余弦的比值,即tanh(x)=sinh(x)/cosh(x)。
将分类数据输入到初始回归模型的激活层后,可以得到训练图片相对于参考系的相对位置系数的概率,进而可以选取概率最大的相对位置系数作为本循环的相对位置系数输出。
在本公开实施例中,获取子模块可以根据以下公式(1)获取年龄预测值:
其中,y′为年龄预测值,p为步骤S203中得到的相对位置系数,d为年龄间隔参数,R1为第一参考年龄值,R2为第二参考年龄值。R1和R2也可以分别理解为第一参考图片和第二参考图片的训练标签。
在获取子模块计算得到本循环的年龄预测值之后,计算本循环的年龄预测值与训练标签之间的差距,以确定初始回归模型的损失,其中,初始回归模型的损失表示了年龄回归的精准度,损失越小,则说明初始回归模型的精准度越高,与真实情况越接近。具体地,可采用损失函数计算本循环的年龄预测值与训练标签之间的损失。在确定初始回归模型的损失后,训练子模块可以根据损失调整初始回归模型的网络参数。
在实际训练的过程中,会获取大量的人物图像,将人物图像对应的真实年龄作为年龄标签,进行多次迭代调参训练,直至初始回归模型收敛,即可得到年龄回归模型。这里,初始回归模型收敛可以包括损失达到最小、损失在一个范围内波动或训练次数达到一定数量。
在使用年龄回归模型时,将一人物图像输入该年龄回归模型,年龄回归模型即可以预测得到一个相对位置系数的概率向量,通常将概率最大的相对位置系数作为相对位置系数预测结果,根据该相对位置系数预测结果和公式(1),即可以计算得到年龄预测值即目标任务的年龄,并反馈给用户。
由于本公开的示例实施例的年龄回归装置的各个功能模块与上述年龄回归方法的示例实施例的步骤对应,因此对于本公开装置实施例中未披露的细节,请参照本公开上述的年龄回归方法的实施例。
根据本公开实施例的年龄回归装置,通过采用预设的年龄间隔参数选取参考图片对,并根据该参考图片对训练年龄回归模型,即采用相对的年龄预测方式进行年龄值预测以训练年龄回归模型,相比较直接进行年龄值预测,可以提高年龄回归模型的年龄预测精度。
图5是本公开实施例提供的电子设备5的示意图。如图5所示,该实施例的电子设备5包括:处理器501、存储器502以及存储在该存储器502中并且可在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者,处理器501执行计算机程序503时实现上述各装置实施例中各模块的功能。
电子设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备5可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解,图5仅仅是电子设备5的示例,并不构成对电子设备5的限定,可以包括比图示更多或更少的部件,或者不同的部件。
处理器501可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器502可以是电子设备5的内部存储单元,例如,电子设备5的硬盘或内存。存储器502也可以是电子设备5的外部存储设备,例如,电子设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。存储器502还可以既包括电子设备5的内部存储单元也包括外部存储设备。存储器502用于存储计算机程序以及电子设备所需的其它程序和数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块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存储介质中。基于这样的理解,本公开实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围,均应包含在本公开的保护范围之内。
Claims (11)
1.一种年龄回归方法,其特征在于,所述方法包括:
获取包含目标人物的待识别图片;
将所述待识别图片输入到预置的年龄回归模型,得到所述待识别图片相对于参考图片对的相对位置系数,以根据所述相对位置系数得到所述目标人物的年龄,其中,所述年龄回归模型根据初始回归模型和所述参考图片对训练得到,所述参考图片对根据预设的年龄间隔参数在训练图片集中选取。
2.根据权利要求1所述的方法,其特征在于,所述年龄回归模型的训练方法包括:
根据当前年龄值和所述年龄间隔参数获取第一参考年龄值和第二参考年龄值,其中,所述当前年龄值为初始设置年龄值或上一个循环的年龄预测值;
分别根据所述第一参考年龄值和所述第二参考年龄值在所述训练图片集中选取对应的第一参考图片和第二参考图片组成所述参考图片对;
将所述训练图片集中的训练图片、所述第一参考图片和所述第二参考图片输入到所述初始回归模型,得到相对位置系数;
根据所述相对位置系数、所述第一参考年龄值和所述第二参考年龄值获取本循环的年龄预测值;
根据所述年龄预测值训练所述初始回归模型,直到所述初始回归模型收敛,得到所述年龄回归模型。
3.根据权利要求2所述的方法,其特征在于,将所述训练图片集中的训练图片、所述第一参考图片和所述第二参考图片输入到所述初始回归模型,包括:
将所述训练图片、所述第一参考图片和所述第二参考图片输入到所述初始回归模型的主干网络进行特征提取,得到对应的图片特征图;
将所述图片特征图输入到所述初始回归模型的拼接层进行拼接,得到拼接数据;
将所述拼接数据输入到所述初始回归模型的全连接层,得到分类数据;
将所述分类数据输入到所述初始回归模型的激活层,得到所述相对位置系数。
4.根据权利要求2所述的方法,其特征在于,根据所述相对位置系数、所述第一参考年龄值和所述第二参考年龄值获取本循环的年龄预测值,包括:
根据以下公式获取所述年龄预测值:
5.其中,为年龄预测值,p为相对位置系数,d为年龄间隔参数,R1为第一参考年龄值,R2为第二参考年龄值。
6.根据权利要求2所述的方法,其特征在于,分别根据所述第一参考年龄值和所述第二参考年龄值在所述训练图片集中选取对应的第一参考图片和第二参考图片,包括:
根据所述第一参考年龄值对应的第一训练标签在所述训练图片集中选取所述第一训练标签对应的第一参考图片;
根据所述第二参考年龄值对应的第二训练标签在所述训练图片集中选取所述第二训练标签对应的第二参考图片。
7.根据权利要求3所述的方法,其特征在于,所述主干网络包括带有权重的18层残差网络。
8.根据权利要求3所述的方法,其特征在于,所述激活层包括双曲正切函数层。
9.一种年龄回归装置,其特征在于,所述装置包括:
获取模块,用于获取包含目标人物的待识别图片;
年龄回归模块,用于将所述待识别图片输入到预置的年龄回归模型,得到所述待识别图片相对于参考图片对的相对位置系数,以根据所述相对位置系数得到所述目标人物的年龄,其中,所述年龄回归模型根据初始回归模型和参考图片对训练得到,所述参考图片对根据预设的年龄间隔参数在训练图片集中选取。
10.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
11.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310325227.2A CN117238008A (zh) | 2023-03-30 | 2023-03-30 | 年龄回归方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310325227.2A CN117238008A (zh) | 2023-03-30 | 2023-03-30 | 年龄回归方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117238008A true CN117238008A (zh) | 2023-12-15 |
Family
ID=89091751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310325227.2A Pending CN117238008A (zh) | 2023-03-30 | 2023-03-30 | 年龄回归方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117238008A (zh) |
-
2023
- 2023-03-30 CN CN202310325227.2A patent/CN117238008A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898086B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
CN108960090B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
CN108229419B (zh) | 用于聚类图像的方法和装置 | |
CN111950723B (zh) | 神经网络模型训练方法、图像处理方法、装置及终端设备 | |
US10719693B2 (en) | Method and apparatus for outputting information of object relationship | |
CN109117781B (zh) | 多属性识别模型的建立方法、装置及多属性识别方法 | |
CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
CN111489401B (zh) | 一种图像颜色恒常性处理方法、系统、设备和存储介质 | |
CN115953665B (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN112364916A (zh) | 基于迁移学习的图像分类方法、相关设备及存储介质 | |
CN116109907B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN116524206A (zh) | 目标图像的识别方法及装置 | |
CN117238008A (zh) | 年龄回归方法及装置 | |
CN115546554A (zh) | 敏感图像的识别方法、装置、设备和计算机可读存储介质 | |
CN116912518B (zh) | 图像的多尺度特征处理方法及装置 | |
CN116630639B (zh) | 对象图像的识别方法及装置 | |
CN117078789B (zh) | 图像处理方法、装置、设备及介质 | |
CN117392731B (zh) | 表情识别模型的训练方法和装置 | |
CN118212486A (zh) | 密度图预测模型的训练方法、装置及目标对象计数方法、装置 | |
CN116958184A (zh) | 图片处理方法、装置、电子设备及存储介质 | |
CN116959077A (zh) | 图像识别方法、装置、电子设备及可读存储介质 | |
CN116912920A (zh) | 表情识别方法及装置 | |
CN117935022A (zh) | 图像识别方法、装置、电子设备及可读存储介质 | |
CN117496555A (zh) | 基于尺度变换场景学习的行人重识别模型训练方法和装置 |
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 |