JP4742193B2

JP4742193B2 - 年齢推定装置、年齢推定方法及びプログラム

Info

Publication number: JP4742193B2
Application number: JP2009109680A
Authority: JP
Inventors: 一也植木; 将杉山; 康行伊原
Original assignee: NEC Solutions Innovators Ltd; Tokyo Institute of Technology NUC
Current assignee: NEC Solutions Innovators Ltd; Tokyo Institute of Technology NUC
Priority date: 2009-04-28
Filing date: 2009-04-28
Publication date: 2011-08-10
Anticipated expiration: 2029-04-28
Also published as: US20120051629A1; KR20120014911A; CN102422323A; KR101299775B1; JP2010257409A; US8818111B2; CN102422323B; WO2010125916A1

Description

本発明は、人間の年齢を推定する年齢推定装置、年齢推定方法及びプログラムに関する。

例えば人間の顔画像データを基に、識別器等を用いて機械的に人間の年齢を推定する方法の例としては、年齢そのものを識別する方法であり、年齢を連続量として推定する方法（年齢の推定を回帰問題として行う方法）がある。この方法は、例えば非特許文献１に開示されているが、連続している年齢を表現できるため、識別問題と比べて矛盾が少なく、精度良く年齢を認識できることが実験によって証明されている。

回帰問題は、推定年齢（推定される年齢）と正解年齢（正解とされる年齢）との差を最小化する問題として解くことで求めることができる。その具体的な例としては、重回帰分析や（Kernel）Ridge Regressionが挙げられるが、これらは推定年齢と正解年齢との二乗誤差の平均、あるいは絶対値誤差の平均を小さくするように学習を行う。

図５に、年齢の推定を回帰問題として行う年齢推定装置の一例を示す。入力される画像データ（例えば顔画像データ）は、一般的に画素数または画素数×３（Ｒ，Ｇ，Ｂの色の値）等の高次元のデータである。よって、次元圧縮部６１においては、年齢の情報が強調され、不要な情報（照明条件や顔角度など）が削除されるように画像データから特徴を抽出する。これにより、画像データは、高次元データから低次元データとなる。なお、次元圧縮部６１においては、例えば、主成分分析（ＰＣＡ：Principal Component Analysis）、線形判別分析（ＬＤＡ：Linear Discriminant Analysis）、局所性保存射影法（ＬＰＰ：Locality Preserving Projection）などの手法が適用される。この処理は、「特徴選択」や「次元圧縮」などとも称される。そして、抽出した特徴に基づいて、識別器６２が年齢を推定する。

このような年齢推定装置６０によって画像データから年齢を推定するためには、次元圧縮部６１及び識別器６２に対する学習を行う必要がある。すなわち、正解年齢（実年齢又は知覚年齢（見た目の年齢のこと））の分かっている人物の画像データを複数個、次元圧縮部６１に入力し、Ｎ分割交差検定や一つ抜き交差検定などの手法で評価する。この評価結果に基づいてエラー（正解との差）が少なくなるように識別器６２の出力を調整する。識別器６２の学習には線形回帰や重回帰、Ridge Regression、ニューラルネットワークなどの手法が適用される。

同様の手順を、特徴の種類や組み合わせ、抽出方法などを（換言すると、次元圧縮のパラメータを）変化させて繰り返すことによって、エラーが小さくなるようにパラメータやモデルを選択する。

Y.Fu, Y.Xu, and T.S.Huang. Estimating human age by manifold analysis of face pictures and regression on aging features ,"Proceedings of the IEEE Multimedia and Expo, pp.1383-1386,2007.

図５に示すような年齢推定装置において高精度な年齢推定を実現するためには、大量の画像データ収集が必要となる。しかし、大量の画像データの１つ１つに対し、人手により正解年齢を付与する作業（ラベル付け）が必要となるため、膨大なコストがかかるという問題があった。

本発明は、上記事情に鑑みてなされたものであり、年齢推定に用いられる画像データに対するラベル付けのコストを削減することができる年齢推定装置、年齢推定方法及びプログラムを提供することを目的とする。

かかる目的を達成するために、本発明の年齢推定装置は、画像データに写された対象の年齢を推定する年齢推定装置であって、画像データに対して次元圧縮を施して低次元データを出力する次元圧縮手段と、出力された低次元データに対してクラスタリングを行うクラスタリング手段と、クラスタリングされたクラスタ毎に、各クラスタに属する低次元データのうちの一部に対して、正解とされる年齢を付与するラベル付けを行ってラベル付き訓練データとする一方で、一部以外の低次元データに対してはラベル付けを行わずにラベル無し訓練データとするラベル付け手段と、損失関数の値を最小化することにより学習したパラメータを設定する識別手段と、を有し、損失関数は、ラベル付き訓練データにおける、正解とされる年齢と、識別手段により推定される年齢との誤差と、ラベル付き訓練データ及びラベル無し訓練データのそれぞれにおける、２つの訓練データ間の距離が近いにも関わらず、当該２つの訓練データの推定される年齢の差分が大きい場合に大きくなる項と、に基づいて定義された関数であり、年齢推定の対象が写された所定の画像データが入力された場合、次元圧縮手段は、当該画像データに次元圧縮を施して低次元データとして識別手段へ出力し、識別手段は、次元圧縮された低次元データと、学習により得られたパラメータとを基に、画像データに写された対象の年齢の推定を行うことを特徴とする。

本発明の年齢推定方法は、画像データに写された対象の年齢を推定する年齢推定方法であって、画像データに対して次元圧縮を施して低次元データを出力する次元圧縮工程と、出力された低次元データに対してクラスタリングを行うクラスタリング工程と、クラスタリングされたクラスタ毎に、各クラスタに属する低次元データのうちの一部に対して、正解とされる年齢を付与するラベル付けを行ってラベル付き訓練データとする一方で、一部以外の低次元データに対してはラベル付けを行わずにラベル無し訓練データとするラベル付け工程と、損失関数の値を最小化することにより学習したパラメータを識別器に設定する第１設定工程と、を有し、損失関数は、ラベル付き訓練データにおける、正解とされる年齢と、識別器により推定される年齢との誤差と、ラベル付き訓練データ及びラベル無し訓練データのそれぞれにおける、２つの訓練データ間の距離が近いにも関わらず、当該２つの訓練データの推定される年齢の差分が大きい場合に大きくなる項と、に基づいて定義された関数であり、年齢推定の対象が写された所定の画像データが入力された場合、当該画像データに次元圧縮を施して低次元データとして識別器へ出力し、識別器は、当該次元圧縮された低次元データと、学習により得られたパラメータとを基に、画像データに写された対象の年齢の推定を行うことを特徴とする。

本発明のプログラムは、画像データに写された対象の年齢を推定するためのプログラムであって、画像データに対して次元圧縮を施して低次元データを出力する次元圧縮処理と、出力された低次元データに対してクラスタリングを行うクラスタリング処理と、クラスタリングされたクラスタ毎に、各クラスタに属する低次元データのうちの一部に対して、正解とされる年齢を付与するラベル付けを行ってラベル付き訓練データとする一方で、一部以外の低次元データに対してはラベル付けを行わずにラベル無し訓練データとするラベル付け処理と、損失関数の値を最小化することにより学習したパラメータを設定する第１設定処理と、をコンピュータに実行させ、損失関数は、ラベル付き訓練データにおける、正解とされる年齢と、推定される年齢との誤差と、ラベル付き訓練データ及びラベル無し訓練データのそれぞれにおける、２つの訓練データ間の距離が近いにも関わらず、当該２つの訓練データの推定される年齢の差分が大きい場合に大きくなる項と、に基づいて定義された関数であり、年齢推定の対象が写された所定の画像データが入力された場合、当該画像データに次元圧縮を施して低次元データとし、当該低次元データと、学習により得られたパラメータとを基に、画像データに写された対象の年齢の推定を行う処理をコンピュータに実行させることを特徴とする。

本発明によれば、年齢推定に用いられる画像データに対するラベル付けのコストを削減することが可能となる。

本発明の実施形態に係る年齢推定装置の構成を示す図である。本発明の実施形態に係る年齢推定装置で実施した年齢推定結果の例を示すグラフである。本発明の実施形態に係る年齢推定装置のモデルにおけるデータ分布の例を示す図である。評価者に顔画像を見せ、１歳単位で年齢を推定してもらった結果の一例を示す図である。年齢の推定を回帰問題として行う年齢推定装置の一例を示す図である。

〔第１の実施形態〕
本発明を好適に実施した第１の実施形態について説明する。
図１に、本実施形態にかかる年齢推定装置の構成を示す。年齢推定装置１０は、次元圧縮部１１と、クラスタリング部１２と、ラベル付け部１３と、識別器１４とを有する。

年齢推定装置１０には、訓練データ（学習データ）として、例えば人物の画像データ（例えば、人間の顔画像データ）が入力される。この画像データは、画素数×輝度数の次元を持つ高次元のデータである。

次元圧縮部１１は、高次元の画像データが入力されると、次元圧縮（次元削減）を行う。すなわち、次元圧縮部１１は、年齢の情報が強調され、不要な情報（照明条件や顔角度など）が削除されるように画像データから特徴を抽出する。例えば、ＰＣＡ、ＬＤＡ、ＬＰＰなどの手法を適用して特徴を抽出する。これにより、高次元の画像データは、低次元の画像データ（低次元データ）となる。

次に、クラスタリング部１２は、次元圧縮で得られた低次元データに対して、クラスタリングを行う。クラスタリングの例としては、k-means法などを適用できる。

次に、ラベル付け部１３は、クラスタリングされた低次元データのうちの代表データに対してのみ、ラベル付け（正解年齢データの付与）を行う。例として、ラベル付け部１３は、各クラスタに属するデータの平均値に最も近いデータを代表データとし、その代表データに対してラベル付けを行ったり、あるいは、各クラスタからランダムに選択したデータを代表データとし、その代表データに対してラベル付けを行ったりする。また、ラベル付け部１３は、複数の代表データに対してラベル付けを行ってもよい。以下、ラベル付けされたデータをラベル付き訓練データ（教師付きデータ）、ラベル付けされていないデータをラベル無し訓練データ（教師無しデータ）という。

なお、年齢推定装置１０に入力される画像データにおいては、顔特徴の様々なバリエーション、撮影環境の違いなどにより、データの生起確率が局所的に高くなっている所が散在すると考えられる。後述するようにガウスカーネルを回帰モデルに用いる場合は、訓練データとテストデータの２点間の距離が重要な情報を与える。よって、上述したように、データの生起確率が高い部分の訓練データにラベルを付与することは、有効な手法となる。

このように、本実施形態では、入力される画像データの全てに対してラベル付けを行わず、一部のデータ（代表データ）に対してのみラベル付けを行う。よって、本実施形態によれば、ラベル付けにかかるコストを削減することができる。

識別器１４は、次元圧縮部１１が抽出した特徴に基づいて年齢を推定する。

なお、次元圧縮部１１及び識別器１４は、一般的な構成のものを適用可能である。ただし、次元圧縮部１１における特徴抽出方法（次元圧縮を行う際のパラメータ）や識別器１４の種類は、推定年齢誤差（推定年齢と正解年齢との差）の深刻度を示す「重み」を考慮した評価結果に基づいて決定されている。また、識別器１４の学習内容に重みの概念を導入するようにする。ここで、重みの概念を導入する理由について以下に説明する。

上述したように、従来の年齢推定装置（例えば図５に示すもの）では、顔画像データを基に、特徴の種類や組み合わせ、抽出方法などを（換言すると、次元圧縮のパラメータを）変化させて繰り返すことによって、エラーが小さくなるようにパラメータやモデルを選択する。しかし、年齢間の距離は対象となる年齢によって異なるため、推定年齢と正解年齢の二乗誤差や絶対値誤差を用いることは年齢認識の精度を落とす原因となる。例えば、正解年齢と認識年齢との間に１０歳の差（エラー）があった場合でも、５歳を１５歳と間違えた場合と、３５歳を４５歳と間違えた場合とではエラーの深刻度が異なるべきである。すなわち、同じ１０歳違いのエラーであっても、５歳を１５歳と間違うことは幼稚園児を中学生又は高校生と間違うことであるため、人間の感覚としては非常に深刻なエラーである。一方、３５歳の人間と４５歳の人間とでは、顔の特徴は非常に似ているため、実際に人が見ても判別できないことも多く、これらを間違えることは、５歳を１５歳と間違えることと比較すると、それほど深刻なエラーではない。

人間は、成長期などの若年期には外観が急激に変化し、大人になった後ではその変化は緩やかになる。したがって、同じ年齢差のエラーであっても、同じ指標で評価するのは問題である。

図４に、評価者に顔画像を見せ、１歳単位で年齢を推定してもらった結果の一例を示す。グラフは、ある正解年齢の人物を推定した結果を１歳ごとに分類した場合の「推定年齢の標準偏差（ぶれ具合）」を示しており、横軸は被験者の正解年齢（真の年齢）、縦軸はその推定誤差の標準偏差である。ここで正解年齢（真の年齢）は、評価者が推定した年齢の平均値である。若年層は標準偏差が小さいため、評価した人のほとんどが同じような年齢であると推定していることがわかる。

よって、年齢推定装置において若年層のデータを誤って大人と認識してしまうと、人間が知覚する結果と大きく異なってしまう。

そこで、本実施形態では、識別器１４の学習内容に重みの概念を導入することにより、人の認識結果に近い推定結果が得られるような特徴抽出を実現している。

さらに、識別器１４は、ラベル付き訓練データだけでなく、ラベル無し訓練データを活用し、的確なモデル（年齢推定用モデル）を作成する。

ここで、本実施形態において作成されるモデルの例について、図３を参照して説明する。図３（ａ）は、識別器１４における学習前（初期状態）のモデルのデータ分布を示している。図３（ａ）に示すように、学習前のモデルでは、２種類のラベル付き訓練データとラベル無し訓練データが混在しており、これらのデータは境界によって区切られている。すなわち、図３（ａ）では、範囲ａ内のラベル無し訓練データは、菱形で示すラベル付き訓練データに分類され、範囲ｂ内のラベル無し訓練データは、丸形で示すラベル付き訓練データに分類されている。本実施形態では、後述する半教師付き学習により、図３（ａ）に示すモデルを、例えば図３（ｂ）に示すような的確なモデルにする。図３（ｂ）に示すモデルでは、図３（ａ）に示すモデルと比べて境界が変化しており、範囲ａ内のラベル無し訓練データは、丸形で示すラベル付き訓練データに分類され、範囲ｂ内のラベル無し訓練データは、菱形で示すラベル付き訓練データに分類されている。

以下、ラベル付き訓練データだけでなく、ラベル無し訓練データを活用した、半教師付き学習による年齢推定方法について説明する。この方法は、カーネル関数に対する正則化最小二乗法（カーネル関数に対する正則化最小二乗法に重みを付ける手法、ＫＲＷＬＳ：Kernel Regularized Weighted Least Squares）にラベル無し訓練データを活用し、訓練データ全体のgraphやmanifoldの構造を活かしたものとなっている。graphやmanifoldの構造の情報を用いて、回帰モデルの平滑化を図ることにより、年齢推定の精度向上を目指している（後述する式（３））。さらに、最小二乗法において年齢の重みを考慮している。このような特徴から、この方法は、ＳＫＲＷＬＳ（Semi-supervised Kernel Regularized Weighted Least Squares）と呼ぶことができる。

ｌ個のラベル付き訓練データ（ｘ_i，ｙ_i）［ｘ_iは説明変数（顔特徴〈特徴ベクトルとも言う〉）、ｙ_iは目的変数（年齢）、ｉは１〜ｌ］、ｕ個のラベル無し訓練データ（ｘ_i）［ｘ_iは説明変数（顔特徴〈特徴ベクトルとも言う〉）、ｉはｌ＋１〜ｌ＋ｕ］が与えられた下で、特徴ベクトルｘの抽出元であるテストデータの真の年齢ｙ^*をｙ^*＝ｆ（ｘ）で予測する半教師付き学習の問題を考える。本実施形態では、年齢推定関数ｆ（ｘ）を正定値カーネルｋ（ｘ，ｘ’）の線形結合でモデル化する。これは、下記式（１）で表される。式（１）は、最終的な年齢を出力する式である。学習の過程において最適解を求め（詳細については後述する）、求めた最適解を式（１）に代入すると年齢が出力される。

訓練データ数ｌまたはｕが大きい場合には、全てのカーネル関数ｋ（ｘ_i，ｘ）［ｉは１〜ｌ＋ｕ］ではなくその部分集合を用いても良い。識別器１４では、下記式（２）に示すパラメータ（α₁〜α_l+uを成分とするｌ＋ｕ行１列の行列）を下記式（３）が最小になるように学習する。式（３）は、エラー（ペナルティ）を定義した式であり、本実施形態では、これを最小化することを目的とする。

上記式（３）におけるλ（＞０）は、過適合を防ぐために導入した正則化パラメータであり、式（３）の第２項は過適合を防止するための補正項（求めるパラメータの大きさを計算するための項）である。なお、式（３）の第１項は、訓練データの年齢認識のエラー計算するための項である。また、式（３）の第３項は、２つのデータ（ラベルの有無は問わない）間の距離が近いにも関わらず、年齢の差が大きいものに大きなペナルティを与えるというエラーの値を計算するための項（２つのデータ間の距離が小さいときは、その２つの年齢の差が小さくなるように学習するための項）である。

また、上記式（３）におけるμ（＞０）は、年齢推定関数ｆ（ｘ）の平滑化を調整するパラメータである。

また、上記式（３）におけるＷ_i,jは、ｘ_i，ｘ_jの２点間の類似度を表す（２つのデータ間の距離が小さいときに大きくなる）。なお、Ｗ_i,jの一例を下記式（４）に示す。

また、上記式（３）における重み関数ｗ（ｙ）は、年齢ごとの推定年齢誤差の深刻度を表す関数であり、ｗ（ｙ）の値（重み）が大きいほど、推定年齢誤差が深刻であることを示している。

上記式（３）における最適解は下記式（５）で求められる。

訓練データ数ｌ＋ｕが大きい場合は、上記式（５）のかっこの部分の計算が困難であるため、用いるカーネル関数の数を減らすか、又は、勾配法による数値的な計算によって最適解を求めれば良い。

式（５）により得られた最適解をパラメータとして用いて、年齢推定装置１０に新たに入力されるｍ個のテストデータの年齢を予測する。ここで、テストデータ及びその真の年齢を次のように表す。

汎化能力の評価は、重み付き平均二乗誤差（ＷＭＳＥ：Weighted Mean Square Error）に基づいて下記式（６）のように行う。式（６）は、テストデータのエラーを定義した式（テストデータのエラーを計算するための式）である。

次元圧縮部１１における特徴抽出方法の決定、識別器１４の種類を決定する際には、学習データとテストデータとを用いてＮ分割交差検定や一つ抜き交差検定などを実施して、上記式（６）のＷＭＳＥに基づいて評価し、テストデータの中で最高の精度を実現するもの（エラーが最も小さいもの）を選ぶ。

ここで、ラベル付き訓練データ数ｌを２００、ラベル無し訓練データ数ｕを５０００、テストデータ数ｍを１５００で、それぞれの年代のデータ数をほぼ均等にした実験例について説明する。なお、カーネル関数として、下記式（７）に示すガウスカーネルを用いた場合を考える。カーネル幅σと正則化パラメータλ、μは、テスト誤差が最小となるように決定する。

例として、女性の顔特徴ベクトルの集合に対し、以下に示す３つの方法で取得した、２００個のラベル付き訓練データ、ランダムに取得した５０００個のラベル無し訓練データを用いて、教師付き学習（ラベル付き訓練データのみを使用する学習）、半教師付き学習（ラベル付き訓練データとラベル無し訓練データの両方を使用する学習）を実施した結果を図２に示す。なお、上記３つの方法は以下の通りである。
ＬＲ：ラベル付け訓練データをランダムに取得
ＬＣ１：ＰＣＡで４次元まで次元削減を行った後、２００個のクラスタの計算によりラベル付け訓練データを取得
ＬＣ２：ＰＣＡで１０次元まで次元削減を行った後、２００個のクラスタの計算によりラベル付け訓練データを取得

図２を参照すると、上記３つの方法（ＬＲ、ＬＣ１、ＬＣ２）により取得した３種類に訓練データのみを用いて教師付き学習を実施した場合、ＬＣ２で取得した訓練データによる学習が最も良い結果であることが読み取れる。

さらに図２を参照すると、上記各ラベル付け訓練データに加え、ラベル無し訓練データも活用した半教師付き学習を実施した場合、教師付き学習の結果がそれぞれ改善されていることが分かる。

以上のことから、少数のラベル付け訓練データをクラスタリングにより取得し、ラベル無し訓練データも併せて活用する半教師付き学習を実施するという方法が最も有効であると言える。

このように、本実施形態では、ラベル付け訓練データとラベル無し訓練データを併せて活用し、かつ、ＷＭＳＥを評価基準として用いることで、人間の知覚年齢に近い年齢を出力するような特徴抽出方法、識別器を選択できる。

本実施形態に係る年齢推定装置は、人間の知覚年齢に近い年齢を出力するように特徴抽出方法や識別器が選択されているため、人間の感覚に近い推定結果を出力できる。また、人間の感覚に近い学習がなされた識別器によって年齢を推定するため、知覚年齢に近い年齢を推定できる。

なお、上記実施形態では実測データを基にした重み関数を用いたが、人為的に作成した重み関数を上記式（３）、（５）、（６）に適用するようにしてもよい。また、上記実施形態では重み関数を一つだけ用いたが、複数の重み関数を用いるようにしてもよい。このようにして、推定精度を上げたい年齢の部分の重みを大きくできる。よって、所望の年齢の推定精度を向上させることができる。

以上、本発明の実施形態について説明したが、上記実施形態に限定されるものではなく、その要旨を逸脱しない範囲において種々の変形が可能である。

例えば、上述した実施形態における動作は、ハードウェア、または、ソフトウェア、あるいは、両者の複合構成によって実行することも可能である。

ソフトウェアによる処理を実行する場合には、処理シーケンスを記録したプログラムを、専用のハードウェアに組み込まれているコンピュータ内のメモリにインストールして実行させてもよい。あるいは、各種処理が実行可能な汎用コンピュータにプログラムをインストールして実行させてもよい。

例えば、プログラムは、記録媒体としてのハードディスクやＲＯＭ（Read Only Memory）に予め記録しておくことが可能である。あるいは、プログラムは、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory），ＭＯ（Magneto optical）ディスク，ＤＶＤ（Digital Versatile Disc）、磁気ディスク、半導体メモリなどのリムーバブル記録媒体に、一時的、あるいは、永続的に格納（記録）しておくことが可能である。このようなリムーバブル記録媒体は、いわゆるパッケージソフトウエアとして提供することが可能である。

なお、プログラムは、上述したようなリムーバブル記録媒体からコンピュータにインストールする他、ダウンロードサイトから、コンピュータに無線転送してもよい。または、ＬＡＮ（Local Area Network）、インターネットといったネットワークを介して、コンピュータに有線で転送してもよい。コンピュータでは、転送されてきたプログラムを受信し、内蔵するハードディスク等の記録媒体にインストールすることが可能である。

１０年齢推定装置
１１次元圧縮部
１２クラスタリング部
１３ラベル付け部
１４識別器

Claims

画像データに写された対象の年齢を推定する年齢推定装置であって、
前記画像データに対して次元圧縮を施して低次元データを出力する次元圧縮手段と、
出力された低次元データに対してクラスタリングを行うクラスタリング手段と、
クラスタリングされたクラスタ毎に、各クラスタに属する低次元データのうちの一部に対して、正解とされる年齢を付与するラベル付けを行ってラベル付き訓練データとする一方で、前記一部以外の低次元データに対しては前記ラベル付けを行わずにラベル無し訓練データとするラベル付け手段と、
損失関数の値を最小化することにより学習したパラメータを設定する識別手段と、を有し、
前記損失関数は、
前記ラベル付き訓練データにおける、正解とされる年齢と、前記識別手段により推定される年齢との誤差と、
前記ラベル付き訓練データ及び前記ラベル無し訓練データのそれぞれにおける、２つの訓練データ間の距離が近いにも関わらず、当該２つの訓練データの推定される年齢の差分が大きい場合に大きくなる項と、に基づいて定義された関数であり、
年齢推定の対象が写された所定の画像データが入力された場合、前記次元圧縮手段は、当該画像データに次元圧縮を施して低次元データとして前記識別手段へ出力し、前記識別手段は、前記次元圧縮された低次元データと、前記学習により得られたパラメータとを基に、前記画像データに写された対象の年齢の推定を行うことを特徴とする年齢推定装置。
前記損失関数は、
前記誤差及び前記項に加え、前記誤差を小さくする年齢層を決定する年齢の関数である重み関数に基づいて定義された関数であることを特徴とする請求項１記載の年齢推定装置。
前記識別手段から推定結果として出力された前記対象の年齢に対して誤差の評価式を基に評価を行い、当該評価結果を基に、前記次元圧縮手段で使用されるパラメータ及び前記識別手段の一方又は両方について誤差が最小であるものを選択して設定する評価手段を有し、
前記誤差の評価式は、
前記ラベル付き訓練データにおける、正解とされる年齢と、前記識別手段により推定される年齢との誤差と、
前記誤差を小さくする年齢層を決定する年齢の関数である重み関数と、
に基づいて定義された関数であることを特徴とする請求項１又は２記載の年齢推定装置。
前記重み関数は、知覚年齢ごとの標準偏差に基づいて定義されたことを特徴とする請求項２又は３記載の年齢推定装置。
前記重み関数は、値が小さいほど推定年齢誤差が深刻であることを示すことを特徴とする請求項２から４のいずれか１項に記載の年齢推定装置。
画像データに写された対象の年齢を推定する年齢推定方法であって、
前記画像データに対して次元圧縮を施して低次元データを出力する次元圧縮工程と、
出力された低次元データに対してクラスタリングを行うクラスタリング工程と、
クラスタリングされたクラスタ毎に、各クラスタに属する低次元データのうちの一部に対して、正解とされる年齢を付与するラベル付けを行ってラベル付き訓練データとする一方で、前記一部以外の低次元データに対しては前記ラベル付けを行わずにラベル無し訓練データとするラベル付け工程と、
損失関数の値を最小化することにより学習したパラメータを識別器に設定する第１設定工程と、を有し、
前記損失関数は、
前記ラベル付き訓練データにおける、正解とされる年齢と、前記識別器により推定される年齢との誤差と、
前記ラベル付き訓練データ及び前記ラベル無し訓練データのそれぞれにおける、２つの訓練データ間の距離が近いにも関わらず、当該２つの訓練データの推定される年齢の差分が大きい場合に大きくなる項と、に基づいて定義された関数であり、
年齢推定の対象が写された所定の画像データが入力された場合、当該画像データに次元圧縮を施して低次元データとして前記識別器へ出力し、前記識別器は、当該次元圧縮された低次元データと、前記学習により得られたパラメータとを基に、前記画像データに写された対象の年齢の推定を行うことを特徴とする年齢推定方法。
前記損失関数は、
前記誤差及び前記項に加え、前記誤差を小さくする年齢層を決定する年齢の関数である重み関数に基づいて定義された関数であることを特徴とする請求項６記載の年齢推定方法。
前記識別器から推定結果として出力された前記対象の年齢に対して誤差の評価式を基に評価を行い、当該評価結果を基に、前記次元圧縮で使用されるパラメータ及び前記識別器の一方又は両方について誤差が最小であるものを選択して設定する評価工程をさらに有し、
前記誤差の評価式は、
前記ラベル付き訓練データにおける、正解とされる年齢と、前記識別器により推定される年齢との誤差と、
前記誤差を小さくする年齢層を決定する年齢の関数である重み関数と、
に基づいて定義された関数であることを特徴とする請求項６又は７記載の年齢推定方法。
前記重み関数を、知覚年齢ごとの標準偏差に基づいて定義することを特徴とする請求項７又は８記載の年齢推定方法。
前記重み関数を、値が小さいほど推定年齢誤差が深刻であることを示す関数とすることを特徴とする請求項７から９のいずれか１項に記載の年齢推定方法。
画像データに写された対象の年齢を推定するためのプログラムであって、
前記画像データに対して次元圧縮を施して低次元データを出力する次元圧縮処理と、
出力された低次元データに対してクラスタリングを行うクラスタリング処理と、
クラスタリングされたクラスタ毎に、各クラスタに属する低次元データのうちの一部に対して、正解とされる年齢を付与するラベル付けを行ってラベル付き訓練データとする一方で、前記一部以外の低次元データに対しては前記ラベル付けを行わずにラベル無し訓練データとするラベル付け処理と、
損失関数の値を最小化することにより学習したパラメータを設定する第１設定処理と、をコンピュータに実行させ、
前記損失関数は、
前記ラベル付き訓練データにおける、正解とされる年齢と、推定される年齢との誤差と、
前記ラベル付き訓練データ及び前記ラベル無し訓練データのそれぞれにおける、２つの訓練データ間の距離が近いにも関わらず、当該２つの訓練データの推定される年齢の差分が大きい場合に大きくなる項と、に基づいて定義された関数であり、
年齢推定の対象が写された所定の画像データが入力された場合、当該画像データに次元圧縮を施して低次元データとし、当該低次元データと、前記学習により得られたパラメータとを基に、前記画像データに写された対象の年齢の推定を行う処理をコンピュータに実行させることを特徴とするプログラム。
前記損失関数は、
前記誤差及び前記項に加え、前記誤差を小さくする年齢層を決定する年齢の関数である重み関数に基づいて定義された関数であることを特徴とする請求項１１記載のプログラム。
前記推定の結果として出力された前記対象の年齢に対して誤差の評価式を基に評価を行い、当該評価結果を基に、前記次元圧縮で使用されるパラメータ及び前記年齢の推定で使用されるパラメータの一方又は両方について誤差が最小であるものを選択して設定する評価処理をさらにコンピュータに実行させ、
前記誤差の評価式は、
前記ラベル付き訓練データにおける、正解とされる年齢と、推定される年齢との誤差と、
前記誤差を小さくする年齢層を決定する年齢の関数である重み関数と、
に基づいて定義された関数であることを特徴とする請求項１１又は１２記載のプログラム。
前記重み関数を、知覚年齢ごとの標準偏差に基づいて定義する処理をコンピュータに実行させることを特徴とする請求項１２又は１３記載のプログラム。
前記重み関数を、値が小さいほど推定年齢誤差が深刻であることを示す関数とすることを特徴とする請求項１２から１４のいずれか１項に記載のプログラム。