KR101342717B1 - 연령 추정 장치, 연령 추정 방법 및 연령 추정 프로그램을 저장한 컴퓨터 판독가능 기록 매체 - Google Patents

연령 추정 장치, 연령 추정 방법 및 연령 추정 프로그램을 저장한 컴퓨터 판독가능 기록 매체 Download PDF

Info

Publication number
KR101342717B1
KR101342717B1 KR1020117028325A KR20117028325A KR101342717B1 KR 101342717 B1 KR101342717 B1 KR 101342717B1 KR 1020117028325 A KR1020117028325 A KR 1020117028325A KR 20117028325 A KR20117028325 A KR 20117028325A KR 101342717 B1 KR101342717 B1 KR 101342717B1
Authority
KR
South Korea
Prior art keywords
age
dimensional
error
estimated
low
Prior art date
Application number
KR1020117028325A
Other languages
English (en)
Other versions
KR20120023029A (ko
Inventor
가즈야 우에끼
마사시 스기야마
야스유끼 이하라
Original Assignee
고쿠리츠다이가쿠호진 토쿄고교 다이가꾸
엔이씨 소후토 가부시키가이샤
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 고쿠리츠다이가쿠호진 토쿄고교 다이가꾸, 엔이씨 소후토 가부시키가이샤 filed Critical 고쿠리츠다이가쿠호진 토쿄고교 다이가꾸
Publication of KR20120023029A publication Critical patent/KR20120023029A/ko
Application granted granted Critical
Publication of KR101342717B1 publication Critical patent/KR101342717B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

인간이 지각하는 결과에 가까운 인식 결과를 얻을 수 있는 연령 추정 장치 및 방법 및 프로그램을 제공한다.
화상 데이터 상의 인물의 연령을 추정하는 연령 추정 장치(10)로서, 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 차원 압축부(11)와, 저차원 데이터에 포함되는 특징량을 이용하여 인물의 연령을 학습 결과에 기초하여 추정하는 식별기(12)를 갖고, 차원 압축부(11)에서의 차원 압축에 이용되는 파라미터와, 연령의 추정에 식별기(12)가 이용하는 특징량이, 연령 추정 오차의 심각도를 연령마다 나타내는 가중치 함수를 이용한 범화 능력의 평가 결과에 기초하여 설정되고, 가중치 함수에 기초하여 식별기(12)의 학습이 이루어진다.

Description

연령 추정 장치, 연령 추정 방법 및 연령 추정 프로그램을 저장한 컴퓨터 판독가능 기록 매체{AGE ESTIMATION APPARATUS, AGE ESTIMATION METHOD, AND COMPUTER READABLE RECORDING MEDIUM STORING AGE ESTIMATION PROGRAM}
본 발명은, 인간의 외관 연령을 추정하는 장치 및 방법 및 프로그램에 관한 것이다.
점포 등에서의 마케팅에서는, 내점하는 손님의 연령층을 분석하고, 그것에 기초하여 매입하는 상품의 종류나 수량을 변경하고 있다.
예를 들면, 편의점 등에서는, 회계 시에 점원이 손님의 연대를 추정하고, 추정 결과를 등록함으로써 내점하는 손님의 연령층을 분석하는 방법이 취해지고 있다.
그러나, 수작업에 의한 연령 추정의 결과에는, 추정하는 사람의 주관이 상당히 포함되기 때문에, 객관성이 부족하다. 이 때문에, 식별기 등을 이용하여 얼굴 화상 데이터에 기초하여 기계적으로 인간의 연령을 추정하는 것이 요구되고 있다.
식별기 등을 이용하여 얼굴 화상 데이터에 기초하여 기계적으로 인간의 연령을 추정하는 방법은, 2개로 대별할 수 있다. 하나는, 아이, 어른, 노인 등과 같이, 연령의 카테고리를 식별하는 방법(연령의 추정을 식별 문제로서 행하는 방법)이며, 연령을 이산량으로서 추정하는 방법이다. 다른 하나는, 연령 그 자체를 식별하는 방법이며, 연령을 연속량으로서 추정하는(연령의 추정을 회귀 문제로서 행하는 방법) 방법이다.
특허 문헌 1에 개시되는 발명과 같은 연령의 카테고리를 식별하는 방법에서는, 예를 들면 10세마다와 같이 세분화하여 식별하는 것도 시도되고 있다. 그러나, 연령의 문제를 식별 문제로서 푸는 경우,
ㆍ사이를 두고자 하는 데이터끼리는 비슷하게 되고, 비슷하게 하고자 하는 데이터끼리는 사이가 벌어진다
ㆍ연속한 연령의 관계를 표현할 수 없다고 하는 문제가 있다.
이들 문제는 연령 인식의 정밀도를 떨어뜨리는 원인으로 되고 있다.
예를 들면, 선형 판별 분석에서 10세마다의 연령 식별을 행할 때에, 10∼19세, 20∼29세라고 하는 카테고리를 설정한 경우에는, 1세차의 19세와 20세를 분리하려고 하고, 9세차의 10세와 19세를 비슷하게 한다고 하는 모순이 나타난다.
또한, 어느 카테고리를 다른 카테고리와 멀리하려고 하지만, 카테고리 간의 거리를 변화시킬 수는 없다. 예를 들면, 10대의 카테고리는 다른 모든 연대로부터 멀리할 수 있지만, 20대와의 거리도, 50대와의 거리도 동일하다. 즉, 먼 연대끼리의 거리를 멀리하거나, 가까운 연대끼리의 거리를 가깝게 하거나 할 수는 없다.
한편, 비특허 문헌 1과 같이, 연령의 추정을 회귀 문제로서 행하는 경우는, 연속하고 있는 연령을 표현할 수 있기 때문에, 식별 문제와 비교하여 모순이 적어, 정밀도 좋게 연령을 인식할 수 있는 것이 실험에 의해 증명되어 있다.
회귀 문제는, 추정 연령과 정해 연령과의 차를 최소화하는 문제로서 풂으로써 구할 수 있다. 그 구체적인 예로서는, 중회귀 분석이나 (Kernel) Ridge Regression을 들 수 있다. 이들은 추정 연령과 정해 연령과의 제곱 오차의 평균, 혹은 절대값 오차의 평균을 작게 하도록 학습을 행한다.
도 9에, 연령의 추정을 회귀 문제로서 행하는 연령 추정 장치의 일례를 도시한다. 입력되는 화상 데이터는, 일반적으로 화소수 또는 화소수×3(R, G, B의 색의 값) 등의 고차원의 데이터이다. 따라서, 차원 압축부(61)에서는, 연령의 정보가 강조되고, 불필요한 정보(조명 조건이나 얼굴 각도 등)가 삭제되도록 화상 데이터로부터 특징을 추출한다. 예를 들면, 주성분 분석(PCA : Principal Component Analysis), 선형 판별 분석(LDA : Linear Discriminant Analysis), 국소성 보존 사영법(LPP : Locality Preserving Projection) 등의 방법이 적용된다. 이 처리는, 「특징 선택」이나 「차원 압축」 등으로도 칭해진다.
그리고, 추출한 특징에 기초하여, 식별기(62)가 연령을 추정한다.
이와 같은 연령 추정 장치(60)에 의해 화상 데이터로부터 연령을 추정하기 위해서는, 차원 압축부(61) 및 식별기(62)에 대한 학습을 행할 필요가 있다.
즉, 정해 연령(실제 연령 또는 지각 연령)을 알고 있는 인물의 화상 데이터를 복수개, 차원 압축부(61)에 입력하고, N분할 교차 검정이나 1개 제외 교차 검정 등의 방법으로 평가한다. 이 평가 결과에 기초하여 에러(정해와의 차)가 적어지도록 식별기(62)의 출력을 조정한다. 식별기(62)의 학습에는 선형 회귀나 중회귀, Ridge Regression, 뉴럴 네트워크 등의 방법이 적용된다.
마찬가지의 수순을, 특징의 종류나 조합, 추출 방법 등을(환언하면, 차원 압축의 파라미터를) 변화시켜 반복함으로써, 에러가 작아지도록 파라미터나 모델을 선택한다.
특허 문헌 1 : 일본 특개 2005-148880호 공보
비특허 문헌 1 : 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.
그러나, 연령 간의 거리는 대상으로 되는 연령에 따라서 상이하기 때문에, 추정 연령과 정해 연령의 제곱 오차나 절대값 오차를 이용하는 것은 연령 인식의 정밀도를 떨어뜨리는 원인으로 된다.
예를 들면, 정해 연령과 인식 연령과의 사이에 10세의 차(에러)가 있었던 경우라도, 5세를 15세로 착각한 경우와, 35세를 45세로 착각한 경우에서는 에러의 심각도가 달라야 한다. 즉, 동일한 10세 차이의 에러라도, 5세를 15세로 착각하는 것은 유치 원아를 중학생 또는 고교생으로 착각하는 것이기 때문에, 인간의 감각으로서는 매우 심각한 에러이다. 한편, 35세의 인간과 45세의 인간에서는, 얼굴의 특징은 매우 닮아 있기 때문에, 실제로 사람이 보아도 판별할 수 없는 경우도 많다. 따라서, 35세를 45세로 착각하는 것은, 5세를 15세로 착각하는 것과 비교하면, 그다지 심각한 에러는 아니다.
인간은, 성장기 등의 청년기에는 외관이 급격하게 변화하고, 어른이 된 후에는 그 변화는 완만해진다. 따라서, 동일한 연령차의 에러라도, 동일한 지표로 평가하는 것은 문제이다.
도 10에, 평가자에게 얼굴 화상을 보이고, 1세 단위로 연령을 추정하게 한 결과의 일례를 도시한다. 그래프는, 어느 정해 연령의 인물을 추정한 결과를 1세마다 분류한 경우의 「추정 연령의 표준 편차(추이)」를 나타내고 있다. 횡축은 피험자의 정해 연령(실제 연령), 종축은 그 추정 오차의 표준 편차이다. 여기서, 정해 연령(실제 연령)은, 평가자가 추정한 연령의 평균값이다. 청년층은 표준 편차가 작기 때문에, 평가한 사람의 대부분이 동일한 연령이라고 추정하고 있는 것을 알 수 있다.
따라서, 연령 추정 장치에서 청년층의 데이터를 잘못하여 장년층으로 인식하게 되면, 인간이 지각하는 결과와 크게 다르게 된다.
이와 같이, 인간의 감각에 가까운 인식 결과를 얻을 수 있는 연령 추정 장치, 방법은 제공되지 않았다.
본 발명은 이러한 문제를 감안하여 이루어진 것으로, 인간이 지각하는 결과에 가까운 인식 결과를 얻을 수 있는 연령 추정 장치 및 방법을 제공하는 것을 목적으로 한다.
상기 목적을 달성하기 위해서, 본 발명은, 제1 양태로서, 화상 데이터 상의 인물의 연령을 추정하는 연령 추정 장치로서, 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 차원 압축 수단과, 저차원 데이터에 포함되는 특징량을 이용하여 인물의 연령을 학습 결과에 기초하여 추정하는 식별 수단을 갖고, 차원 압축 수단이 차원 압축을 행할 때의 파라미터와, 연령의 추정에 식별 수단이 이용하는 특징량이, 추정 연령 오차의 심각도를 연령마다 나타내는 가중치 함수를 이용한 범화 능력의 평가 결과에 기초하여 설정된 것을 특징으로 하는 연령 추정 장치를 제공하는 것이다.
또한, 상기 목적을 달성하기 위해서, 본 발명은, 제2 양태로서, 화상 데이터 상의 인물의 연령을 추정하는 연령 추정 장치로서, 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 차원 압축 수단과, 저차원 데이터에 포함되는 특징량을 이용하여 인물의 연령을 학습 결과에 기초하여 추정하는 식별 수단을 갖고, 추정 연령 오차의 심각도를 연령마다 나타내는 가중치 함수에 기초하여 식별 수단의 학습이 이루어진 것을 특징으로 하는 연령 추정 장치를 제공하는 것이다.
또한, 상기 목적을 달성하기 위해서, 본 발명은, 제3 양태로서, 화상 데이터 상의 인물의 연령을 추정하는 연령 추정 방법으로서, 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 차원 압축 공정과, 저차원 데이터에 포함되는 특징량을 이용하여 인물의 연령을 학습 결과에 기초하여 추정하는 식별 공정을 갖고, 차원 압축 공정에서 차원 압축을 행할 때의 파라미터와, 식별 공정에서의 연령의 추정에 이용하는 특징량을, 추정 연령 오차의 심각도를 연령마다 나타내는 가중치 함수에 기초하여 설정하는 것을 특징으로 하는 연령 추정 방법을 제공하는 것이다.
또한, 상기 목적을 달성하기 위해서, 본 발명은, 제4 양태로서, 화상 데이터 상의 인물의 연령을 추정하는 연령 추정 방법으로서, 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 차원 압축 공정과, 저차원 데이터에 포함되는 특징량을 이용하여 인물의 연령을 학습 결과에 기초하여 추정하는 식별 공정을 갖고, 식별 공정을 실행하는 식별기를, 추정 연령 오차의 심각도를 연령마다 나타내는 가중치 함수에 기초하여 학습시키는 것을 특징으로 하는 연령 추정 방법을 제공하는 것이다.
또한, 상기 목적을 달성하기 위해서, 본 발명은, 제5 양태로서, 화상 데이터 상의 인물의 연령을 추정하는 연령 추정 처리를 컴퓨터에 실행시키는 연령 추정 프로그램으로서, 컴퓨터를, 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 차원 압축 수단, 및 저차원 데이터에 포함되는 특징량을 이용하여 인물의 연령을 학습 결과에 기초하여 추정하는 식별 수단으로서 기능시키고, 컴퓨터에, 차원 압축 수단이 차원 압축을 행할 때의 파라미터와, 연령의 추정에 식별 수단이 이용하는 특징량을, 추정 연령 오차의 심각도를 연령마다 나타내는 가중치 함수를 이용한 범화 능력의 평가 결과에 기초하여 설정시키는 것을 특징으로 하는 연령 추정 프로그램을 제공하는 것이다.
또한, 상기 목적을 달성하기 위해서, 본 발명은, 제6 양태로서, 화상 데이터 상의 인물의 연령을 추정하는 연령 추정 처리를 컴퓨터에 실행시키는 연령 추정 프로그램으로서, 컴퓨터를, 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 차원 압축 수단, 및 저차원 데이터에 포함되는 특징량을 이용하여 인물의 연령을 학습 결과에 기초하여 추정하는 식별 수단으로서 기능시키고, 컴퓨터에, 추정 연령 오차의 심각도를 연령마다 나타내는 가중치 함수에 기초하여 식별 수단의 학습을 실행시키는 것을 특징으로 하는 연령 추정 프로그램을 제공하는 것이다.
본 발명에 따르면, 인간이 지각하는 결과에 가까운 인식 결과를 얻을 수 있는 연령 추정 장치 및 방법과 프로그램을 제공할 수 있다.
도 1은 본 발명을 바람직하게 실시한 제1 실시 형태에 따른 연령 추정 장치의 구성을 도시하는 도면.
도 2의 (a) 및 (b)는 추정 연령 오차의 표준 편차에 기초한 가중치 함수의 일례를 도시하는 도면.
도 3은 가중치 없음의 커널 정칙화 최소 제곱법과 커널 정칙화 가중치 부여 최소 제곱법의 인식 정밀도의 비교 결과를 도시하는 도면.
도 4의 (a) 및 (b)는 추정 오차를 테스트 데이터의 실제 연령마다 평가한 결과를 도시하는 도면.
도 5는 저연령층 및 고연령층에서의 오차 인식 감도를 인위적으로 강하게 한 가중치 함수의 일례를 도시하는 도면.
도 6의 (a) 및 (b)는 도 5에 도시한 가중치 함수를 이용한 가중치 부여 평균 제곱 오차에 의해 추정 오차를 테스트 데이터의 실제 연령마다 평가한 결과를 도시하는 도면.
도 7의 (a) 및 (b)는 저연령층과 중고 연령층에서 가중치가 상이한 2개의 가중치 함수의 일례를 도시하는 도면.
도 8은 20세 전후에서 가중치의 값이 작은 가중치 함수의 일례를 도시하는 도면.
도 9는 연령의 추정을 회귀 문제로서 행하는 연령 추정 장치의 일례를 도시하는 도면.
도 10은 평가자에게 얼굴 화상을 보이고, 1세 단위로 연령을 추정하게 한 결과의 일례를 도시하는 도면.
〔제1 실시 형태〕
본 발명을 바람직하게 실시한 제1 실시 형태에 대하여 설명한다.
도 1에, 본 실시 형태에 따른 연령 추정 장치의 구성을 도시한다. 연령 추정 장치(10)는, 차원 압축부(11)와 식별기(12)를 갖는다. 연령 추정 장치(10)에 입력되는 화상 데이터는, 일반적으로 화소수 또는 화소수×3(R, G, B의 색의 값) 등의 고차원의 데이터이다. 차원 압축부(11)는, 연령의 정보가 강조되고, 불필요한 정보(조명 조건이나 얼굴 각도 등)가 삭제되도록 화상 데이터로부터 특징을 추출한다. 예를 들면, PCA, LDA, LPP 등의 방법을 적용하여 특징을 추출한다. 식별기(12)는, 차원 압축부(11)가 추출한 특징에 기초하여 연령을 추정한다.
차원 압축부(11) 및 식별기(12)는, 일반적인 구성의 것을 적용 가능하다. 단, 차원 압축부(11)에서의 특징 추출 방법(차원 압축을 행할 때의 파라미터)이나 식별기(12)의 종류는, 추정 연령 오차의 심각도를 나타내는 「가중치」를 고려한 평가 결과에 기초하여 결정되고 있다. 또한, 식별기(12)의 학습 내용에 가중치의 개념을 도입함으로써, 사람의 인식 결과에 가까운 추정 결과가 얻어지도록 하는 특징 추출을 실현하고 있다.
n개의 라벨 부착 훈련 데이터 (xi, yi)[xi는 설명 변수(얼굴 특징<특징 벡터라고도 함>), yi는 목적 변수(연령), i는 1∼n]가 주어진 하에서, 특징 벡터 x의 추출원인 테스트 데이터의 실제 연령 y*을 y*=f(x)로 예측하는 지도학습된(supervised) 회귀 문제에서, 커널 함수에 대한 정칙화 최소 제곱법에 가중치를 부여하는 방법(커널 정칙화 가중치 부여 최소 제곱법, KRWLS : Kernel Regularized Weighted Least Squares)을 이용하여, 연령 추정 함수 f(x)를 양정치 커널 k(x, x')의 선형 결합으로 모델화하면, 하기 수학식 1로 표현된다.
Figure 112011094105207-pct00001
훈련 데이터수 n이 큰 경우에는, 모든 커널 함수 k(xi, x)[i는 1∼n]가 아니라 그 부분 집합을 이용해도 된다. 식별기(12)에서는, 하기 수학식 2에 나타내는 파라미터(α1∼αn을 성분으로 하는 n행 1열의 행렬)를 하기 수학식 3이 최소로 되도록 학습한다.
Figure 112011094105207-pct00002
Figure 112011094105207-pct00003
상기 수학식 3에서의 λ(>0)는, 과적합을 방지하기 위해서 도입한 정칙화 파라미터이고, 수학식 3의 제2항은 과적합을 방지하기 위한 보정항이다. 가중치 함수 w(y)는, 연령마다의 추정 연령 오차의 심각도를 나타내는 함수이다. w(y)의 값(가중치)이 클수록, 추정 연령 오차가 심각한 것을 나타내고 있다. 본 실시 형태에서는, 도 10의 표준 편차의 값을 취하는 함수를 w(y)로서 이용한다. 즉, 여성에게는, 도 2의 (a)에 도시한 가중치 함수를, 남성에게는 도 2의 (b)에 도시한 가중치 함수를 이용한다.
상기 수학식 3에서의 최적해는 하기 수학식 4로 주어진다.
Figure 112011094105207-pct00004
훈련 데이터수 n이 큰 경우에는, 상기 수학식 4의 괄호의 부분의 계산이 곤란하기 때문에, 이용하는 커널 함수의 수를 줄이거나, 또는, 구배법에 의한 수치적인 계산에 의해 최적해를 구하면 된다.
이렇게 하여 얻어진 최적해를 파라미터로서 이용하여, m개의 테스트 데이터의 연령을 예측한다.
여기서, 테스트 데이터 및 그 실제 연령을 다음과 같이 나타낸다.
Figure 112011094105207-pct00005
범화 능력의 평가는, 가중치 부여 평균 제곱 오차(WMSE : Weighted Mean Square Error)에 기초하여 하기 수학식 5와 같이 행한다.
Figure 112011094105207-pct00006
차원 압축부(11)에서의 특징 추출 방법의 결정, 식별기(12)의 종류를 결정할 때에는, 학습 데이터와 테스트 데이터를 이용하여 N분할 교차 검정이나 1개 제외 교차 검정 등을 실시하여, 상기 수학식 5의 WMSE에 기초하여 평가하고, 테스트 데이터 중에서 최고의 정밀도를 실현하는 것(에러가 가장 작은 것)을 선택한다.
여기서, 라벨 부착 훈련 데이터수 n을 2000, 테스트 데이터수 m을 1500, 각각의 연대로부터 균등하게 선택한 라벨 부착 훈련 데이터로부터, 각 연대의 데이터수가 균등하게 되도록 랜덤하게 선택한 200점을 커널 함수의 중심으로 하고, 커널 함수에는 하기 수학식 6에 나타내는 가우스 커널을 이용한 경우를 생각한다. 커널 폭 σ와 정칙화 파라미터 λ는, 테스트 오차가 최소로 되도록 결정한다.
Figure 112011094105207-pct00007
가중치 없음의 커널 정칙화 최소 제곱법(KRLS : Kernel Regularized Least Squares)과 도 2의 (a) 및 (b)의 가중치 함수를 이용한 경우의 KRWLS의 인식 정밀도의 비교 결과를 도 3에 도시한다. 도 3에서의 「가중치 없음」이란, 상기 수학식 1에서 w(y)의 값을 일정값(여기서는 1)으로 하여 학습을 행한 경우의 WMSE의 값이고, 「가중치 있음」이란 상기 수학식 1에서 w(y)의 값을 도 2의 (a) 및 (b)에 도시한 값으로 하여 학습을 행한 경우의 WMSE이다. 도 3으로부터 명백해지는 바와 같이, 상기 수학식 5의 WMSE에 의해 범화 능력을 평가하는 경우에는, WMSE의 값은 KRWLS쪽이 KRLS보다도 작아진다.
가중치를 부여함으로써, 어떻게 학습 결과가 변화하는지를 나타내기 위해서, 추정 오차를 테스트 데이터의 실제 연령마다 평가한 결과를 도 4의 (a) 및 (b)에 도시한다. 도 4의 (a)는 여성의 평가 결과, 도 4의 (b)는 남성의 평가 결과이다. 도 4에서는, 추정 연령의 가중치를 부여하지 않은 임의의 절대값 오차(MAE : Mean Absolute Error)를 종축에 취하고 있다. 또한, 추정 연령의 MAE는, 하기 수학식 7에 의해 산출된다.
Figure 112011094105207-pct00008
추정 연령의 MAE는, 추정 연령이 실제 연령으로 평균하면 어느 만큼 떨어져 있는지를 나타내고 있다. 도 4의 (a)에서는 10세 미만(횡축 "-9")의 「가중치 없음」의 MAE는 4.5이기 때문에, 실제 연령이 10세 미만의 여성의 테스트 데이터는 평균적으로는 실제 연령으로부터 4.5세 떨어진 연령으로 추정되는 것을 나타내고 있다. 도 4의 (a), (b)로부터 알 수 있는 바와 같이, 가중치를 부여함으로써 남녀 모두 인간이 오차에 민감한 저연령층에서의 MAE가 저감되어 있다. 따라서, 인간이 민감하게 오차를 느끼는 데이터를 보다 정밀도 좋게 분류할 수 있는 것을 확인할 수 있다.
이와 같이, WMSE를 평가 기준으로서 이용함으로써, 인간의 지각 연령에 가까운 연령을 출력하도록 하는 특징 추출 방법, 식별기를 선택할 수 있다.
본 실시 형태에 따른 연령 추정 장치는, 인간의 지각 연령에 가까운 연령을 출력하도록 특징 추출 방법이나 식별기가 선택되어 있기 때문에, 인간의 감각에 가까운 추정 결과를 출력할 수 있다.
또한, 인간의 감각에 가까운 학습이 이루어진 식별기에 의해 연령을 추정하기 때문에, 지각 연령에 가까운 연령을 추정할 수 있다.
또한, 여기서는 특징 추출 방법이나 식별기의 선택과 식별기의 학습과의 양방에 대하여 가중치를 고려하는 경우를 예로 하였다. 그러나, 어느 한쪽만을 행해도 연령 추정 오차를 저감할 수 있다.
〔제2 실시 형태〕
본 발명을 바람직하게 실시한 제2 실시 형태에 대하여 설명한다. 본 실시 형태에 따른 연령 추정 장치는, 제1 실시 형태와 마찬가지의 구성이며, 차원 압축부(11) 및 식별기(12)를 갖는다.
제1 실시 형태와 마찬가지로, 차원 압축부(11) 및 식별기(12)에는, 일반적인 구성의 것을 적용 가능하다. 또한, 가중치의 개념을 이용하여 식별기(12)의 학습을 행하는 것이나, 가중치를 고려한 평가 결과를 이용하여 차원 압축부(11)에서의 특징 추출 방법이나 식별기(12)의 종류가 결정되어 있는 것도 제1 실시 형태와 마찬가지이다.
단, 제1 실시 형태에서는 실측 데이터를 기초로 한 가중치 함수를 이용하고 있은 것에 대하여, 본 실시 형태에서는 인위적으로 작성한 가중치 함수를, 상기 수식 3 내지 수학식 5에 적용하는 점이 상위하다.
도 5에, 저연령층 및 고연령층에서의 오차 인식 감도를 인위적으로 강하게 한(저연령층 및 고연령층에서 가중치의 값이 작아지도록 한) 가중치 함수의 일례를 도시한다. 본 실시 형태에서는, 남녀 모두 동일한 가중치 함수를 적용한다. 또한, 도 6의 (a) 및 (b)에, 도 5에 도시한 가중치 함수를 이용한 WMSE에 의해 추정 오차를 테스트 데이터의 실제 연령마다 평가한 결과를 도시한다. 도 6의 (a)는 여성의 평가 결과이고, 도 6의 (b)는 남성의 평가 결과이다. 이들 도면으로부터 명백해지는 바와 같이, 남녀 모두 가중치의 크기와 MAE의 값에는 상관 관계가 있고, 가중치가 작을수록 MAE의 값이 작아지는 경향이 있는 것을 알 수 있다. 즉, 도 5에서 할당된 가중치가 작은 저연령층 및 고연령층에서는 MAE가 저감되는 한편, 도 5에서 할당된 가중치가 큰 중간의 연령층에서는 MAE가 증대되고 있다.
임의의 연령에 관하여, 가중치를 작게 하면 상기 수학식 (5)의 Σ 내의 분모는 작아지기 때문에, WMSE의 값은 커진다. WMSE의 값이 크다고 하는 것은, 그 연령에서의 추정 연령 오차의 심각도를 높게 평가하는 것임에 틀림없다. 따라서, 특정 연대에서의 추정 오차를 작게 하면 되는 경우에는, 그 연대에서 가중치의 값이 작아지도록 가중치 함수를 설정하고, 값이 큰 WMSE에 기초하여 차원 압축부(11)에서의 특징 추출 방법이나 식별기(12)의 종류를 결정함으로써, 원하는 연대에서의 추정 오차를 작게 할 수 있다.
이 외에 대해서는 제1 실시 형태와 마찬가지이기 때문에, 중복되는 설명은 생략한다.
〔제3 실시 형태〕
본 발명을 바람직하게 실시한 제3 실시 형태에 대하여 설명한다. 본 실시 형태에 따른 연령 추정 장치(10)는, 제1, 제2 실시 형태와 마찬가지의 구성이며, 차원 압축부(11) 및 식별기(12)를 갖는다.
제1, 제2 실시 형태와 마찬가지로, 차원 압축부(11) 및 식별기(12)에는, 일반적인 구성의 것을 적용 가능하다. 또한, 가중치의 개념을 이용하여 식별기(12)의 학습을 행하는 것이나, 가중치를 고려한 평가 결과를 이용하여 차원 압축부(11)에서의 특징 추출 방법이나 식별기(12)의 종류가 결정되어 있는 것도 제1, 제2 실시 형태와 마찬가지이다.
단, 제2 실시 형태에서는 가중치 함수를 하나만 이용하고 있었던 것에 대하여, 본 실시 형태에서는 복수의 가중치 함수를 이용하는 점이 상위하다.
상기 제2 실시 형태에서 설명한 바와 같이, 임의의 연대의 가중치가 다른 연대와 비교하여 작아지도록 하는 가중치 함수를 이용함으로써, 그 연대의 MAE를 작게 하여, 연령 추정의 정밀도를 높일 수 있다.
따라서, 테스트 데이터를 미리 몇 가지의 연령층으로 대략적으로 분류할 수 있으면, 각각의 연령층에 대하여 추정 오차가 작아지도록 각각에 범화 능력을 평가함으로써, 모든 연령층에서의 추정 오차를 작게 할 수 있다고 생각된다. 본 실시 형태에서는, 차원 압축부(11)에서의 특징 추출 방법이나 식별기(12)의 종류의 결정을, 복수의 연령층마다 상이한 가중치 함수에 기초하여 행한다.
구체예를 들면, 테스트 데이터가 저연령층과 중고 연령층으로 분류되어 있는 경우에는, 저연령층의 테스트 데이터에 관해서는, 저연령층에서는 가중치의 값이 작고 중고 연령층에서는 가중치의 값이 큰 가중치 함수(도 7의 (a))를 이용하여 범화 능력의 평가나 식별기(12)에서의 학습을 행하고, 중고 연령층의 테스트 데이터에 관해서는, 저연령층에서는 가중치의 값이 크고 중고 연령층에서는 가중치의 값이 작은 가중치 함수(도 7의 (b))를 이용하여 범화 능력의 평가나 식별기(12)에서의 학습을 행하여, 각각의 결과를 통합하면, 전체 연령층에서 추정 오차를 작게 할 수 있다.
또한, 테스트 데이터를 3개 이상의 연령층으로 나누고, 차원 압축부(11)에서의 특징 추출 방법이나 식별기(12)의 종류의 결정 및 식별기(12)에서의 학습을 각 연령층에서 상이한 가중치 함수에 기초하여 행하는 경우도, 테스트 데이터를 2개의 연령층으로 나누는 상기의 예와 마찬가지이다.
이 밖에 대해서는 상기 제1, 제2 실시 형태와 마찬가지이기 때문에, 중복되는 설명은 생략한다.
또한, 상기 각 실시 형태는 본 발명의 바람직한 실시의 일례이며, 본 발명은 이에 한정되는 것은 아니다.
예를 들면, 도 8에 도시한 바와 같이, 20세 근변의 가중치가 작아지도록 하는 가중치 함수를 설정함으로써, 20세 근변의 분리도를 높여 인식율을 향상시킬 수 있다. 이와 같은 가중치 함수를 이용함으로써, 성년과 미성년의 식별 정밀도를 높일 수 있다.
이와 같이, 본 발명은 다양한 변형이 가능하다.
이상, 실시 형태를 참조하여 본원 발명을 설명하였다. 그러나, 본원 발명은, 상기실시 형태에 한정되는 것은 아니다. 본원 발명의 구성이나 상세에는, 본원 발명의 스코프 내에서 당업자가 이해할 수 있는 다양한 변경을 할 수 있다.
이 출원은, 2009년 4월 28일에 출원된 일본 출원 특원 2009-109613을 기초로 하는 우선권을 주장하고, 그 개시 모두를 여기에 인용한다.
10 : 연령 추정 장치
11 : 차원 압축부
12 : 식별기

Claims (21)

  1. 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 차원 압축 수단과,
    상기 저차원 데이터의 특징량으로부터 추정된 추정 연령과 실제 연령과의 오차와 상기 추정 연령의 오차를 작게 하는 연령층을 결정하는 연령의 함수인 가중치 함수에 기초하여 정의된 소정의 함수의 값을 최소화함으로써 학습한 파라미터가 설정된 식별 수단
    을 구비하고,
    상기 식별 수단은, 상기 화상 데이터에 대하여 상기 차원 압축 수단이 출력한 저차원 데이터의 특징량으로부터 상기 파라미터를 사용하여 연령을 추정하는 것을 특징으로 하는 연령 추정 장치.
  2. 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 차원 압축 수단과,
    상기 저차원 데이터의 특징량으로부터 추정 연령을 출력하는 복수의 식별 수단
    을 구비하고,
    상기 복수의 식별 수단으로부터, 상기 추정 연령과 실제 연령과의 오차와 상기 추정 연령의 오차를 작게 하는 연령층을 결정하는 연령의 함수인 가중치 함수에 기초하여 정의된 오차의 평가식의 값이 최소가 되는 식별 수단인 최소 오차 식별 수단을 결정하고,
    상기 화상 데이터에 대하여 상기 차원 압축 수단이 출력한 저차원 데이터의 특징량으로부터 상기 최소 오차 식별 수단을 사용하여 연령을 추정하는 것을 특징으로 하는 연령 추정 장치.
  3. 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 복수의 차원 압축 수단과,
    상기 저차원 데이터의 특징량으로부터 연령을 추정하는 식별 수단
    을 구비하고,
    상기 복수의 차원 압축 수단으로부터, 상기 저차원 데이터의 특징량으로부터 상기 식별 수단이 추정한 추정 연령과 실제 연령과의 오차와 상기 추정 연령의 오차를 작게 하는 연령층을 결정하는 연령의 함수인 가중치 함수에 기초하여 정의된 오차의 평가식의 값이 최소가 되는 차원 압축 수단인 최소 오차 차원 압축 수단을 결정하고,
    상기 화상 데이터에 대하여 상기 최소 오차 차원 압축 수단이 출력한 저차원 데이터의 특징량으로부터 상기 식별 수단을 사용하여 연령을 추정하는 것을 특징으로 하는 연령 추정 장치.
  4. 화상 데이터에 찍힌 인물의 연령을 추정하는 연령 추정 방법으로서,
    상기 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 차원 압축 공정과,
    상기 저차원 데이터의 특징량으로부터 추정된 추정 연령과 실제 연령과의 오차와 상기 추정 연령의 오차를 작게 하는 연령층을 결정하는 연령의 함수인 가중치 함수에 기초하여 정의된 소정의 함수의 값을 최소화함으로써 학습한 파라미터가 설정된 식별 공정
    을 구비하고,
    상기 식별 공정에서, 상기 화상 데이터에 대하여 상기 차원 압축 공정이 출력한 저차원 데이터의 특징량으로부터 상기 파라미터를 사용하여 연령을 추정하는 것을 특징으로 하는 연령 추정 방법.
  5. 화상 데이터에 찍힌 인물의 연령을 추정하는 연령 추정 방법으로서,
    상기 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 차원 압축 공정과,
    상기 저차원 데이터의 특징량으로부터 추정 연령을 출력하는 복수의 식별 공정
    을 구비하고,
    상기 복수의 식별 공정에서, 상기 추정 연령과 실제 연령과의 오차와 상기 추정 연령의 오차를 작게 하는 연령층을 결정하는 연령의 함수인 가중치 함수에 기초하여 정의된 오차의 평가식의 값이 최소가 되는 식별 공정인 최소 오차 식별 공정을 결정하고,
    상기 화상 데이터에 대하여 상기 차원 압축 공정이 출력한 저차원 데이터의 특징량으로부터 상기 최소 오차 식별 공정을 사용하여 연령을 추정하는 것을 특징으로 하는 연령 추정 방법.
  6. 화상 데이터에 찍힌 인물의 연령을 추정하는 연령 추정 방법으로서,
    상기 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 복수의 차원 압축 공정과,
    상기 저차원 데이터의 특징량으로부터 연령을 추정하는 식별 공정
    을 구비하고,
    상기 복수의 차원 압축 공정에서, 상기 저차원 데이터의 특징량으로부터 상기 식별 공정이 추정한 추정 연령과 실제 연령과의 오차와 상기 추정 연령의 오차를 작게 하는 연령층을 결정하는 연령의 함수인 가중치 함수에 기초하여 정의된 오차의 평가식의 값이 최소가 되는 차원 압축 공정인 최소 오차 차원 압축 공정을 결정하고,
    상기 화상 데이터에 대하여 상기 최소 오차 차원 압축 공정이 출력한 저차원 데이터의 특징량으로부터 상기 식별 공정을 사용하여 연령을 추정하는 것을 특징으로 하는 연령 추정 방법.
  7. 화상 데이터에 찍힌 인물의 연령을 추정하는 연령 추정 처리를 컴퓨터에 실행시키는 연령 추정 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체로서,
    상기 컴퓨터를, 상기 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 차원 압축 수단, 및 상기 저차원 데이터의 특징량으로부터 추정된 추정 연령과 실제 연령과의 오차와 상기 추정 연령의 오차를 작게 하는 연령층을 결정하는 연령의 함수인 가중치 함수에 기초하여 정의된 소정의 함수의 값을 최소화함으로써 학습한 파라미터가 설정된 식별 수단으로서 기능시키고,
    상기 컴퓨터에, 상기 식별 수단에서, 상기 화상 데이터에 대하여 상기 차원 압축 수단이 출력한 저차원 데이터의 특징량으로부터 상기 파라미터를 사용하여 연령을 추정시키는 것을 특징으로 하는 연령 추정 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.
  8. 화상 데이터에 찍힌 인물의 연령을 추정하는 연령 추정 처리를 컴퓨터에 실행시키는 연령 추정 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체로서,
    상기 컴퓨터를, 상기 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 차원 압축 수단, 및 상기 저차원 데이터의 특징량으로부터 추정 연령을 출력하는 복수의 식별 수단으로서 기능시키고,
    상기 컴퓨터에, 상기 복수의 식별 수단으로부터, 상기 추정 연령과 실제 연령과의 오차와 상기 추정 연령의 오차를 작게 하는 연령층을 결정하는 연령의 함수인 가중치 함수에 기초하여 정의된 오차의 평가식의 값이 최소가 되는 식별 수단을 최소 오차 식별 수단으로서 결정시키고,
    상기 화상 데이터에 대하여 상기 차원 압축 수단이 출력한 저차원 데이터의 특징량으로부터 상기 최소 오차 식별 수단을 사용하여 연령을 추정시키는 것을 특징으로 하는 연령 추정 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.
  9. 화상 데이터에 찍힌 인물의 연령을 추정하는 연령 추정 처리를 컴퓨터에 실행시키는 연령 추정 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체로서,
    상기 컴퓨터를, 상기 화상 데이터에 대하여 차원 압축을 실시하여 저차원 데이터를 출력하는 복수의 차원 압축 수단, 및 상기 저차원 데이터의 특징량으로부터 연령을 추정하는 식별 수단으로서 기능시키고,
    상기 컴퓨터에, 상기 복수의 차원 압축 수단으로부터, 상기 저차원 데이터의 특징량으로부터 상기 식별 수단이 추정한 추정 연령과 실제 연령과의 오차와 상기 추정 연령의 오차를 작게 하는 연령층을 결정하는 연령의 함수인 가중치 함수에 기초하여 정의된 오차의 평가식의 값이 최소가 되는 차원 압축 수단을 최소 오차 차원 압축 수단으로서 결정시키고,
    상기 화상 데이터에 대하여 상기 최소 오차 차원 압축 수단이 출력한 저차원 데이터의 특징량으로부터 상기 식별 수단을 사용하여 연령을 추정시키는 것을 특징으로 하는 연령 추정 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
  16. 삭제
  17. 삭제
  18. 삭제
  19. 삭제
  20. 삭제
  21. 삭제
KR1020117028325A 2009-04-28 2010-04-14 연령 추정 장치, 연령 추정 방법 및 연령 추정 프로그램을 저장한 컴퓨터 판독가능 기록 매체 KR101342717B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JPJP-P-2009-109613 2009-04-28
JP2009109613A JP4742192B2 (ja) 2009-04-28 2009-04-28 年齢推定装置及び方法並びにプログラム
PCT/JP2010/056689 WO2010125915A1 (ja) 2009-04-28 2010-04-14 年齢推定装置及び方法並びにプログラム

Publications (2)

Publication Number Publication Date
KR20120023029A KR20120023029A (ko) 2012-03-12
KR101342717B1 true KR101342717B1 (ko) 2013-12-18

Family

ID=43032068

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020117028325A KR101342717B1 (ko) 2009-04-28 2010-04-14 연령 추정 장치, 연령 추정 방법 및 연령 추정 프로그램을 저장한 컴퓨터 판독가능 기록 매체

Country Status (5)

Country Link
US (1) US9036923B2 (ko)
JP (1) JP4742192B2 (ko)
KR (1) KR101342717B1 (ko)
CN (1) CN102422324B (ko)
WO (1) WO2010125915A1 (ko)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101640755B1 (ko) * 2014-06-23 2016-07-20 경북대학교 산학협력단 사용자 접근 제어 시스템 및 그 방법
JP6270182B2 (ja) 2014-07-17 2018-01-31 Ｎｅｃソリューションイノベータ株式会社 属性要因分析方法、装置、およびプログラム
JP6484449B2 (ja) * 2015-01-28 2019-03-13 一般財団法人電力中央研究所 予測装置、予測方法および予測プログラム
CN105678269A (zh) * 2016-01-11 2016-06-15 华侨大学 一种基于动态区间的人脸年龄估计方法
GB2551715A (en) * 2016-06-27 2018-01-03 Image Capture Ltd A system and method for determining the age of an individual
CN109034078B (zh) * 2018-08-01 2023-07-14 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
CN109376927A (zh) * 2018-10-24 2019-02-22 阿里巴巴集团控股有限公司 一种用户年龄预测方法、装置及设备
EP3751300A1 (en) * 2019-06-13 2020-12-16 Koninklijke Philips N.V. Reconstruction of spiral k-space sampled magnetic resonance images
CN111242091A (zh) * 2020-02-13 2020-06-05 京东方科技集团股份有限公司 年龄识别模型训练方法、装置及电子设备
JP7464131B2 (ja) 2020-08-20 2024-04-09 日本電信電話株式会社 年齢推定モデル学習装置、年齢推定モデル学習方法、プログラム
CN113298004B (zh) * 2021-06-03 2022-04-29 南京佑驾科技有限公司 一种基于人脸特征学习的轻量级多头年龄估计方法
CN115186095B (zh) * 2022-09-13 2022-12-13 广州趣丸网络科技有限公司 一种未成年人文本识别方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004318632A (ja) 2003-04-18 2004-11-11 Yokogawa Electric Corp 年齢推定装置
JP2005148880A (ja) 2003-11-12 2005-06-09 Advanced Telecommunication Research Institute International 年齢推定装置、年齢推定方法および年齢推定プログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6625303B1 (en) * 1999-02-01 2003-09-23 Eastman Kodak Company Method for automatically locating an image pattern in digital images using eigenvector analysis
CN1741069A (zh) 2005-09-22 2006-03-01 上海交通大学 基于自适应表面模型的概率视频跟踪方法
JP4273359B2 (ja) * 2007-09-28 2009-06-03 Ｎｅｃソフト株式会社 年齢推定システム及び年齢推定方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004318632A (ja) 2003-04-18 2004-11-11 Yokogawa Electric Corp 年齢推定装置
JP2005148880A (ja) 2003-11-12 2005-06-09 Advanced Telecommunication Research Institute International 年齢推定装置、年齢推定方法および年齢推定プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
K. Ueki ET AL., "Class-Distance Weighted Locality Preserving Projection and its Application to Facial image Based Age Classification", IEICE Technical Report, PRMU2007-48 to 89 2007 pp. 83-88.

Also Published As

Publication number Publication date
US9036923B2 (en) 2015-05-19
WO2010125915A1 (ja) 2010-11-04
US20120045137A1 (en) 2012-02-23
KR20120023029A (ko) 2012-03-12
CN102422324B (zh) 2015-07-22
JP4742192B2 (ja) 2011-08-10
CN102422324A (zh) 2012-04-18
JP2010257400A (ja) 2010-11-11

Similar Documents

Publication Publication Date Title
KR101342717B1 (ko) 연령 추정 장치, 연령 추정 방법 및 연령 추정 프로그램을 저장한 컴퓨터 판독가능 기록 매체
KR101299775B1 (ko) 연령 추정 장치, 연령 추정 방법 및 기록 매체
US8897560B2 (en) Determining the estimated clutter of digital images
EP3657392A1 (en) Image feature acquisition
EP3226175A1 (en) Image pattern recognition device and program
CN111090764B (zh) 基于多任务学习和图卷积神经网络的影像分类方法及装置
KR20080110064A (ko) 음란성 이미지의 판별 방법과 그 장치
Polat et al. Hand geometry identification without feature extraction by general regression neural network
Wei et al. How smart does your profile image look? Estimating intelligence from social network profile images
US8731291B2 (en) Estimating the clutter of digital images
CN116030538A (zh) 弱监督动作检测方法、系统、设备及存储介质
JP2021018466A (ja) ルール抽出装置、情報処理装置、ルール抽出方法及びルール抽出プログラム
CN108154199B (zh) 一种基于深度学习的高精度快速单类目标检测方法
Jeon et al. Image segmentation by unsupervised sparse clustering
CN110675382A (zh) 基于CNN-LapsELM的铝电解过热度识别方法
JP5210808B2 (ja) 年齢推定装置及び方法
CN113868597A (zh) 一种用于年龄估计的回归公平性度量方法
TWI485635B (zh) 年齡評估系統與方法
CN112153370B (zh) 基于群敏感对比回归的视频动作质量评价方法及系统
CN115424294A (zh) 穿戴检测模型的训练方法、穿戴检测方法及相关设备
CN115937986A (zh) 一种动作识别方法和装置
CN115223103A (zh) 基于数字图像处理的高空抛物检测方法
CN116071613A (zh) 一种图像分类模型的训练方法、装置、计算机设备及介质
CN114863166A (zh) 基于不确定性度量的图像分类方法及眼底图像分类方法
CN116630677A (zh) 一种图像分类模型的训练方法、装置、计算机设备及介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20161123

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20171114

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20181121

Year of fee payment: 6