WO2010125916A1 - 年齢推定装置、年齢推定方法及びプログラム - Google Patents

年齢推定装置、年齢推定方法及びプログラム Download PDF

Info

Publication number
WO2010125916A1
WO2010125916A1 PCT/JP2010/056690 JP2010056690W WO2010125916A1 WO 2010125916 A1 WO2010125916 A1 WO 2010125916A1 JP 2010056690 W JP2010056690 W JP 2010056690W WO 2010125916 A1 WO2010125916 A1 WO 2010125916A1
Authority
WO
WIPO (PCT)
Prior art keywords
age
data
dimensional
low
dimensional data
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.)
Ceased
Application number
PCT/JP2010/056690
Other languages
English (en)
French (fr)
Inventor
植木　一也
将 杉山
康行 伊原
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.)
NEC Solution Innovators Ltd
Tokyo Institute of Technology NUC
Original Assignee
NEC Solution Innovators Ltd
Tokyo Institute of Technology NUC
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 NEC Solution Innovators Ltd, Tokyo Institute of Technology NUC filed Critical NEC Solution Innovators Ltd
Priority to CN201080019028.XA priority Critical patent/CN102422323B/zh
Priority to KR1020117028324A priority patent/KR101299775B1/ko
Priority to US13/263,059 priority patent/US8818111B2/en
Publication of WO2010125916A1 publication Critical patent/WO2010125916A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the present invention relates to an age estimation device, an age estimation method, and a program for estimating a human age.
  • a method for estimating a human age mechanically using a classifier or the like based on human face image data a method for identifying the age itself, a method for estimating the age as a continuous quantity (age Is a regression problem).
  • This method is disclosed in, for example, Non-Patent Document 1, but since it is possible to express continuous ages, it has been proved by experiments that the age can be recognized accurately with less contradiction compared to the identification problem.
  • the regression problem can be obtained by solving as a problem that minimizes the difference between the estimated age (estimated age) and the correct answer age (age considered correct).
  • Specific examples include multiple regression analysis and (Kernel) Ridge Regression, which perform learning to reduce the average of the square error between the estimated age and the correct answer age, or the average of the absolute value error. .
  • FIG. 5 shows an example of an age estimation apparatus that performs age estimation as a regression problem.
  • the input image data for example, face image data
  • the input image data is generally high-dimensional data such as the number of pixels or the number of pixels ⁇ 3 (R, G, B color values). Therefore, the dimension compression unit 61 extracts features from the image data so that age information is emphasized and unnecessary information (such as lighting conditions and face angles) is deleted. As a result, the image data changes from high-dimensional data to low-dimensional data.
  • methods such as principal component analysis (PCA), linear discriminant analysis (LDA), and locality preserving projection (LPP) are applied. Is done. This process is also referred to as “feature selection” or “dimensional compression”.
  • the classifier 62 estimates the age.
  • the dimension compression unit 61 and the discriminator 62 In order to estimate the age from the image data by such an age estimation device 60, it is necessary to learn the dimension compression unit 61 and the discriminator 62. That is, a plurality of image data of a person whose correct age (actual age or perceived age (appearing age)) is known is input to the dimension compression unit 61, and an N-division cross validation or a single cross validation is performed. Evaluate by method. Based on the evaluation result, the output of the discriminator 62 is adjusted so that the error (difference from the correct answer) is reduced. For the learning of the discriminator 62, techniques such as linear regression, multiple regression, Ridge Regression, and neural network are applied.
  • the present invention has been made in view of the above circumstances, and an object thereof is to provide an age estimation device, an age estimation method, and a program capable of reducing the labor of labeling work on image data used for age estimation. .
  • an age estimation apparatus for estimating the age of a person imaged in image data, and performs dimensional compression on the image data to output low-dimensional data.
  • Dimensional compression means clustering means for clustering the output low-dimensional data, labeling means for labeling representative data of each cluster out of the clustered low-dimensional data, and labeling And identifying means for estimating the age of the person based on the learning result using the feature amount included in the low-dimensional data that has been added and the low-dimensional data that has not been labeled.
  • the age estimation method of the present invention is an age estimation method for estimating the age of a person imaged in image data, and is output with a dimension compression step of performing dimension compression on the image data and outputting low-dimensional data.
  • a clustering process for clustering low-dimensional data, a labeling process for labeling representative data of each cluster out of the clustered low-dimensional data, labeled low-dimensional data and labeling And an identification step of estimating the age of the person based on the learning result using the feature amount included in the low-dimensional data that has not been performed.
  • the program of the present invention is a program for estimating the age of a person copied in image data.
  • the program performs dimensional compression on the image data and outputs low-dimensional data.
  • Clustering processing that performs clustering on the dimensional data, labeling processing that labels the representative data of each cluster out of the clustered low-dimensional data, and labeled low-dimensional data and labels
  • the computer is caused to perform an identification process for estimating a person's age based on a learning result using a feature amount included in the low-dimensional data.
  • FIG. 1 shows a configuration of an age estimation apparatus according to the present embodiment.
  • the age estimation device 10 includes a dimension compression unit 11, a clustering unit 12, a labeling unit 13, and a classifier 14.
  • human image data for example, human face image data
  • training data learning data
  • This image data is high-dimensional data having a dimension of the number of pixels ⁇ the number of luminances.
  • the dimension compression unit 11 performs dimension compression (dimension reduction) when high-dimensional image data is input. That is, the dimension compression unit 11 extracts features from the image data so that age information is emphasized and unnecessary information (such as lighting conditions and face angles) is deleted. For example, features are extracted by applying a technique such as PCA, LDA, or LPP. Thus, the high-dimensional image data becomes low-dimensional image data (low-dimensional data).
  • the clustering unit 12 performs clustering on the low-dimensional data obtained by dimensional compression.
  • clustering a k-means method or the like can be applied.
  • the labeling unit 13 performs labeling (applying correct age data) only to the representative data of the clustered low-dimensional data.
  • the labeling unit 13 sets the data closest to the average value of the data belonging to each cluster as representative data, and labels the representative data or represents data randomly selected from each cluster.
  • the data is labeled, and the representative data is labeled.
  • the labeling unit 13 may label a plurality of representative data.
  • labeled data is referred to as labeled training data (supervised data)
  • unlabeled data is referred to as unlabeled training data (unsupervised data).
  • labeling is not performed on all input image data, but only a part of data (representative data) is labeled. Therefore, according to this embodiment, the labor of labeling work can be reduced.
  • the discriminator 14 estimates the age based on the features extracted by the dimension compression unit 11.
  • the thing of a general structure is applicable for the dimension compression part 11 and the discriminator 14.
  • the feature extraction method (dimension compression parameter) and the type of the classifier 14 in the dimension compression unit 11 consider “weight” indicating the seriousness of the estimated age error (difference between the estimated age and the correct age). It is determined based on the evaluation results. Further, the concept of weight is introduced into the learning content of the classifier 14. Here, the reason for introducing the concept of weight will be described below.
  • the type and combination of features, the extraction method, and the like are changed based on the face image data.
  • parameters and models are selected so that errors are reduced.
  • using the square error or absolute value error between the estimated age and the correct answer age causes the accuracy of age recognition to be reduced. For example, even if there is a 10-year difference (error) between the correct answer age and the recognized age, the severity of error between 5 years old and 15 years old and 35 years old and 45 years old Should be different.
  • FIG. 4 shows an example of the result of showing the face image to the evaluator and estimating the age in units of one year.
  • the graph shows the “standard deviation of the estimated age (blurring condition)” when the result of estimating a person with a correct answer age is classified for each year, and the horizontal axis is the correct answer age (true age) of the subject, The vertical axis is the standard deviation of the estimation error.
  • the correct answer age (true age) is an average value of the ages estimated by the evaluator. It can be seen that young people estimate that most of the evaluated people are of similar age because of the small standard deviation.
  • the discriminator 14 creates not only the labeled training data but also the unlabeled training data to create an accurate model (age estimation model).
  • FIG. 3A shows the data distribution of the model before learning (initial state) in the classifier 14.
  • the model before learning two types of labeled training data and unlabeled training data are mixed, and these data are separated by boundaries. That is, in FIG. 3A, unlabeled training data in the range a is classified into labeled training data indicated by diamonds, and unlabeled training data in the range b is classified as labeled training data indicated by circles.
  • the model shown in FIG. 3A is changed to an accurate model as shown in FIG. 3B, for example, by semi-supervised learning described later.
  • FIG. 3B shows the model before learning
  • the boundary is changed as compared with the model shown in FIG. 3 (a), and the unlabeled training data in the range a is classified as labeled training data indicated by a circle, The unlabeled training data in the range b is classified into labeled training data indicated by diamonds.
  • This method utilizes unlabeled training data for regularized least squares for kernel functions (a method for weighting regularized least squares for kernel functions, KRWLS: Kernel Regularized Weighted Least Squares). It takes advantage of the manifold structure. The aim is to improve the accuracy of age estimation by smoothing the regression model using information on the structure of graph and manifold (formula (3) described later). Furthermore, the weight of age is considered in the least square method. Because of these characteristics, this method can be called SKRWLS (Semi-supervised Kernel Regularized Weighted Least Squares).
  • the age estimation function f (x) is modeled by a linear combination of positive definite kernels k (x, x ′). This is represented by the following formula (1).
  • Expression (1) is an expression for outputting the final age. An optimum solution is obtained in the learning process (details will be described later), and the age is output when the obtained optimum solution is substituted into equation (1).
  • Equation (3) ⁇ (> 0) is a regularization parameter introduced to prevent overconformity
  • the second term of equation (3) is a correction term for preventing overconformity (the size of the parameter to be obtained). This is a term for calculating.
  • the first term of the expression (3) is a term for calculating an error for recognizing the age of the training data.
  • the third term of Equation (3) calculates an error value that gives a large penalty to a large difference in age even though the distance between the two data (regardless of whether or not there is a label) is short (A term for learning so that the difference between the two ages is small when the distance between the two data is small).
  • ⁇ (> 0) in the above equation (3) is a parameter for adjusting the smoothing of the age estimation function f (x).
  • W i, j in the above equation (3) represents the similarity between two points x i and x j (increases when the distance between the two data is small).
  • An example of W i, j is shown in the following formula (4).
  • the weighting function w (y) in the above equation (3) is a function representing the seriousness of the estimated age error for each age. The larger the value (weight) of w (y), the more serious the estimated age error. It shows that there is.
  • the age of m pieces of test data newly input to the age estimation apparatus 10 is predicted.
  • the test data and its true age are expressed as follows.
  • Expression (6) is an expression defining an error in test data (an expression for calculating an error in test data).
  • the learning data and the test data are used to perform N-division cross-validation, one-off cross-validation, etc. Based on the WMSE of (6), the test data that achieves the highest accuracy (the one with the smallest error) is selected.
  • the number of labeled training data 1 is 200
  • the number of unlabeled training data u is 5000
  • the number of test data m is 1500
  • the number of data of each age is almost equal. It is assumed that a Gaussian kernel represented by the following formula (7) is used as the kernel function.
  • the kernel width ⁇ and the regularization parameters ⁇ and ⁇ are determined so that the test error is minimized.
  • supervised learning is performed on a set of female facial feature vectors using 200 labeled training data and randomly acquired 5000 unlabeled training data obtained by the following three methods.
  • FIG. 2 shows the results of performing learning using only labeled training data) and semi-supervised learning (learning using both labeled training data and unlabeled training data).
  • the above three methods are as follows.
  • LR Randomly acquire training data for labeling LC1: After reducing dimensions to 4 dimensions with PCA, acquire training data for labeling by calculating 200 clusters
  • LC2 After reducing dimensions to 10 dimensions with PCA , Labeling training data is obtained by calculating 200 clusters
  • a feature extraction method that uses the labeled training data and the unlabeled training data together, and uses WMSE as an evaluation criterion to output an age that is close to the human perceived age.
  • the discriminator can be selected.
  • the age estimation device Since the feature extraction method and the discriminator are selected so that the age estimation device according to the present embodiment outputs an age that is close to the human perceived age, an estimation result that is close to the human sense can be output. In addition, since the age is estimated by a discriminator that has been learned close to human senses, it is possible to estimate an age that is close to the perceived age.
  • a weight function based on actually measured data is used.
  • an artificially created weight function may be applied to the above formulas (3), (5), and (6).
  • only one weight function is used, but a plurality of weight functions may be used. In this way, it is possible to increase the weight of the age portion for which the estimation accuracy is to be increased. Therefore, it is possible to improve the estimation accuracy of the desired age.
  • the operation in the above-described embodiment can be executed by hardware, software, or a combined configuration of both.
  • a program in which a processing sequence is recorded may be installed and executed in a memory in a computer incorporated in dedicated hardware. Or you may install and run a program in the general purpose computer which can perform various processes.
  • the program can be recorded in advance on a hard disk or ROM (Read Only Memory) as a recording medium.
  • the program is temporarily or permanently stored on a removable recording medium such as a CD-ROM (Compact Disc Read Only Memory), MO (Magneto optical) disc, DVD (Digital Versatile Disc), magnetic disk, or semiconductor memory. It can be stored (recorded).
  • a removable recording medium can be provided as so-called package software.
  • the program may be installed on the computer from the removable recording medium as described above, or may be wirelessly transferred from the download site to the computer. Or you may wire-transfer to a computer via networks, such as LAN (Local Area Network) and the internet.
  • the computer can receive the transferred program and install it on a recording medium such as a built-in hard disk.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

　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作業の労力を低減可能な年齢推定装置、年齢推定方法及びプログラムを提供する。　画像データに写された人物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低次元データのうち、各クラスタの代表データに対してラベル付けを行うラベル付け手段と、ラベル付けされた低次元データ及びラベル付けされていない低次元データに含まれる特徴量を用いて、人物の年齢を学習結果に基づいて推定する識別手段と、を有する。

Description

年齢推定装置、年齢推定方法及びプログラム
　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 onaging 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作業の労力を低減可能な年齢推定装置、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人物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低次元データのうち、各クラスタの代表データに対してラベル付けを行うラベル付け手段と、ラベル付けされた低次元データ及びラベル付けされていない低次元データに含まれる特徴量を用いて、人物の年齢を学習結果に基づいて推定する識別手段と、を有することを特徴とする。
　本発明の年齢推定方法は、画像データに写された人物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低次元データのうち、各クラスタの代表データに対してラベル付けを行うラベル付け工程と、ラベル付けされた低次元データ及びラベル付けされていない低次元データに含まれる特徴量を用いて、人物の年齢を学習結果に基づいて推定する識別工程と、を有することを特徴とする。
　本発明のプログラムは、画像データに写された人物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低次元データのうち、各クラスタの代表データに対してラベル付けを行うラベル付け処理と、ラベル付けされた低次元データ及びラベル付けされていない低次元データに含まれる特徴量を用いて、人物の年齢を学習結果に基づいて推定する識別処理と、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作業の労力を低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、ラベル付けの作業の労力を低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（ｘi，ｙi）［ｘiは説明変数（顔特徴〈特徴ベクトルとも言う〉）、ｙiは目的変数（年齢）、ｉは１～ｌ］、ｕ個のラベル無し訓練データ（ｘi）［ｘi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。
Figure JPOXMLDOC01-appb-M000001
　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（ｘi，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～αｌ＋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。
Figure JPOXMLDOC01-appb-M000002
　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Ｗｉ，ｊは、ｘｉ，ｘｊ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、Ｗｉ，ｊの一例を下記式（４）に示す。
Figure JPOXMLDOC01-appb-M000003
　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。
Figure JPOXMLDOC01-appb-M000004
　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。
Figure JPOXMLDOC01-appb-M000005
　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。
Figure JPOXMLDOC01-appb-M000006
　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。
Figure JPOXMLDOC01-appb-M000007
　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。
　以上、実施形態を参照して本願発明を説明したが、本願発明は、上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解しうる様々な変更をすることができる。
　この出願は、２００９年４月２８日に出願された日本出願特願２００９－１０９６８０を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　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 (15)

  1. 　画像データに写された人物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低次元データのうち、各クラスタの代表データに対してラベル付けを行うラベル付け手段と、
    　ラベル付けされた低次元データ及びラベル付けされていない低次元データに含まれる特徴量を用いて、人物の年齢を学習結果に基づいて推定する識別手段と、
    　を有することを特徴とする年齢推定装置。
  2. 　前記次元圧縮手段が次元圧縮を行う際のパラメータと、前記年齢の推定に前記識別手段が用いる特徴量とが、推定年齢誤差の深刻度を年齢ごとに示す重み関数を用いた汎化能力の評価結果に基づいて設定され、
    　前記重み関数に基づいて前記識別器の学習がなされたことを特徴とする請求の範囲１記載の年齢推定装置。
  3. 　前記汎化能力の評価が、重み付き平均二乗誤差に基づいて行われたことを特徴とする請求の範囲１又は２記載の年齢推定装置。
  4. 　前記重み関数が、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の範囲１から３のいずれか１項に記載の年齢推定装置。
  5. 　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１から４のいずれか１項に記載の年齢推定装置。
  6. 　画像データに写された人物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低次元データのうち、各クラスタの代表データに対してラベル付けを行うラベル付け工程と、
    　ラベル付けされた低次元データ及びラベル付けされていない低次元データに含まれる特徴量を用いて、人物の年齢を学習結果に基づいて推定する識別工程と、
    　を有することを特徴とする年齢推定方法。
  7. 　前記次元圧縮工程において次元圧縮を行う際のパラメータと、前記識別工程での前記年齢の推定に用いる特徴量とを、推定年齢誤差の深刻度を年齢ごとに示す重み関数に基づいて設定し、
    　前記識別工程を実行する識別器を、前記重み関数に基づいて学習させることを特徴とする請求の範囲６記載の年齢推定方法。
  8. 　前記汎化能力の評価を、重み付き平均二乗誤差に基づいて行うことを特徴とする請求の範囲６又は７記載の年齢推定方法。
  9. 　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の範囲６から８のいずれか１項に記載の年齢推定方法。
  10. 　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の範囲６から９のいずれか１項に記載の年齢推定方法。
  11. 　画像データに写された人物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低次元データのうち、各クラスタの代表データに対してラベル付けを行うラベル付け処理と、
    　ラベル付けされた低次元データ及びラベル付けされていない低次元データに含まれる特徴量を用いて、人物の年齢を学習結果に基づいて推定する識別処理と、
    　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。
  12. 　前記次元圧縮処理において次元圧縮を行う際のパラメータと、前記識別処理での前記年齢の推定に用いる特徴量とを、推定年齢誤差の深刻度を年齢ごとに示す重み関数に基づいて設定し、
    　前記識別処理を実行する識別器を、前記重み関数に基づいて学習させ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の範囲１１記載のプログラム。
  13. 　前記汎化能力の評価を、重み付き平均二乗誤差に基づいて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請求の範囲１１又は１２記載のプログラム。
  14. 　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の範囲１１から１３のいずれか１項に記載のプログラム。
  15. 　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の範囲１１から１４のいずれか１項に記載のプログラム。
PCT/JP2010/056690 2009-04-28 2010-04-14 年齢推定装置、年齢推定方法及びプログラム Ceased WO2010125916A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201080019028.XA CN102422323B (zh) 2009-04-28 2010-04-14 年龄估计装置、年龄估计方法
KR1020117028324A KR101299775B1 (ko) 2009-04-28 2010-04-14 연령 추정 장치, 연령 추정 방법 및 기록 매체
US13/263,059 US8818111B2 (en) 2009-04-28 2010-04-14 Age estimation apparatus, age estimation method, and age estimation program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2009-109680 2009-04-28
JP2009109680A JP4742193B2 (ja) 2009-04-28 2009-04-28 年齢推定装置、年齢推定方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2010125916A1 true WO2010125916A1 (ja) 2010-11-04

Family

ID=43032069

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2010/056690 Ceased WO2010125916A1 (ja) 2009-04-28 2010-04-14 年齢推定装置、年齢推定方法及びプログラム

Country Status (5)

Country Link
US (1) US8818111B2 (ja)
JP (1) JP4742193B2 (ja)
KR (1) KR101299775B1 (ja)
CN (1) CN102422323B (ja)
WO (1) WO2010125916A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036293A (zh) * 2020-08-27 2020-12-04 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
JPWO2021166104A1 (ja) * 2020-02-19 2021-08-26
CN114299572A (zh) * 2021-12-22 2022-04-08 云从科技集团股份有限公司 人脸年龄估计方法、装置及电子设备

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101635009B (zh) * 2009-08-21 2015-06-17 腾讯科技（深圳）有限公司 基于海量数据的用户年龄估算方法及系统
JP5889019B2 (ja) * 2012-02-06 2016-03-22 キヤノン株式会社 ラベル付加装置、ラベル付加方法及びプログラム
US9117121B2 (en) * 2012-05-21 2015-08-25 The Chinese University Of Hong Kong Detection of disease-related retinal nerve fiber layer thinning
TWI485635B (zh) * 2013-01-30 2015-05-21 Nat Univ Tainan 年齡評估系統與方法
US10268876B2 (en) * 2014-07-17 2019-04-23 Nec Solution Innovators, Ltd. Attribute factor analysis method, device, and program
CN104463190B (zh) * 2014-10-30 2017-08-29 华为技术有限公司 年龄估计方法及设备
US9928410B2 (en) * 2014-11-24 2018-03-27 Samsung Electronics Co., Ltd. Method and apparatus for recognizing object, and method and apparatus for training recognizer
CN104598871B (zh) * 2014-12-06 2017-11-17 电子科技大学 一种基于相关回归的面部年龄计算方法
KR101596298B1 (ko) 2015-03-20 2016-02-24 이상훈 스마트폰을 활용한 비접촉식 지문인식방법
JP2017125809A (ja) * 2016-01-15 2017-07-20 株式会社リコー 情報処理装置、情報処理システムおよびプログラム
JP6241576B1 (ja) * 2016-12-06 2017-12-06 三菱電機株式会社 検査装置及び検査方法
JP6729455B2 (ja) * 2017-03-15 2020-07-22 株式会社島津製作所 分析データ解析装置及び分析データ解析方法
JP2019219766A (ja) * 2018-06-15 2019-12-26 株式会社Ｌｉｘｉｌ 分析装置、分析システム、及び分析プログラム
KR102189362B1 (ko) * 2018-06-29 2020-12-11 주식회사 디플리 자동 레이블링이 가능한 머신 러닝 방법 및 장치
US10373027B1 (en) * 2019-01-30 2019-08-06 StradVision, Inc. Method for acquiring sample images for inspecting label among auto-labeled images to be used for learning of neural network and sample image acquiring device using the same
JP7204596B2 (ja) 2019-06-28 2023-01-16 富士フイルム株式会社 画像処理装置，画像処理方法，画像処理プログラムおよびそのプログラムを格納した記録媒体
CN110287942B (zh) * 2019-07-03 2021-09-17 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
CN110543833B (zh) * 2019-08-15 2020-09-22 平安国际智慧城市科技股份有限公司 基于数据降维的人脸识别方法、装置、设备及存储介质
CN110501290B (zh) * 2019-08-16 2021-09-24 安徽优思天成智能科技有限公司 船舶废气光谱图像分割与污染预测方法
US20220156572A1 (en) * 2020-11-17 2022-05-19 International Business Machines Corporation Data partitioning with neural network
KR102942162B1 (ko) * 2021-09-16 2026-03-23 주식회사 엘지생활건강 인지 나이 예측 장치
WO2024044405A2 (en) * 2022-08-26 2024-02-29 Xianfa Meng Apparatus and method of using energy information technology to rapidly evaluate an age of an object
KR102538740B1 (ko) * 2023-02-15 2023-06-02 강희정 맞춤형 매트리스 추천 플랫폼 운용 서버 및 그 동작 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009514110A (ja) * 2005-10-28 2009-04-02 本田技研工業株式会社 ポーズによるヒト検出
JP2009086901A (ja) * 2007-09-28 2009-04-23 Nec Soft Ltd 年齢推定システム及び年齢推定方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5781650A (en) * 1994-02-18 1998-07-14 University Of Central Florida Automatic feature detection and age classification of human faces in digital images
US6625303B1 (en) * 1999-02-01 2003-09-23 Eastman Kodak Company Method for automatically locating an image pattern in digital images using eigenvector analysis
EP1705611A1 (en) 2004-01-13 2006-09-27 NEC Corporation Feature change image creation method, feature change image creation device, and feature change image creation program
CN100437641C (zh) 2004-07-15 2008-11-26 日本电气株式会社 数据对照方法、数据对照装置和数据对照程序
KR100612865B1 (ko) 2004-10-18 2006-08-14 삼성전자주식회사 시점변화에 강인한 얼굴식별장치 및 방법
JP4410732B2 (ja) 2005-07-27 2010-02-03 グローリー株式会社 顔画像検出装置、顔画像検出方法および顔画像検出プログラム
US8520979B2 (en) * 2008-08-19 2013-08-27 Digimarc Corporation Methods and systems for content processing

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009514110A (ja) * 2005-10-28 2009-04-02 本田技研工業株式会社 ポーズによるヒト検出
JP2009086901A (ja) * 2007-09-28 2009-04-23 Nec Soft Ltd 年齢推定システム及び年齢推定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DAISUKE IKEDA ET AL.: "Semi-supervised Learning for Blog Classification", INFORMATION PROCESSING SOCIETY OF JAPAN KENKYU HOKOKU, vol. 2008, no. 4, 21 January 2008 (2008-01-21), pages 59 - 66 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2021166104A1 (ja) * 2020-02-19 2021-08-26
WO2021166104A1 (ja) * 2020-02-19 2021-08-26 日本電気株式会社 処理装置、推定装置、処理方法及び推定方法
JP7396452B2 (ja) 2020-02-19 2023-12-12 日本電気株式会社 処理装置、推定装置、処理方法及び推定方法
US12386094B2 (en) 2020-02-19 2025-08-12 Nec Corporation Processing apparatus, estimation apparatus, and processing method
CN112036293A (zh) * 2020-08-27 2020-12-04 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
CN114299572A (zh) * 2021-12-22 2022-04-08 云从科技集团股份有限公司 人脸年龄估计方法、装置及电子设备

Also Published As

Publication number Publication date
JP2010257409A (ja) 2010-11-11
US8818111B2 (en) 2014-08-26
US20120051629A1 (en) 2012-03-01
KR20120014911A (ko) 2012-02-20
CN102422323A (zh) 2012-04-18
CN102422323B (zh) 2014-10-22
KR101299775B1 (ko) 2013-08-23
JP4742193B2 (ja) 2011-08-10

Similar Documents

Publication Publication Date Title
JP4742193B2 (ja) 年齢推定装置、年齢推定方法及びプログラム
JP4742192B2 (ja) 年齢推定装置及び方法並びにプログラム
US11055538B2 (en) Object re-identification with temporal context
US10331968B2 (en) One shot color calibrated metric learning for object re-identification
KR20040008792A (ko) 얼굴/유사얼굴 영상으로 학습된 패턴 분류기를 이용한얼굴 검출 방법 및 시스템
KR20090119664A (ko) 다수의 쓰레숄드 적응적 부스팅을 가진 객체 검출 및 분류를 위한 시스템 및 방법
JPWO2018207334A1 (ja) 画像認識装置、画像認識方法および画像認識プログラム
CN119313928B (zh) 基于机器视觉的新能源场站违规行为智能识别系统及方法
US20210019636A1 (en) Prediction model construction device, prediction model construction method and prediction model construction program recording medium
Mustapha et al. Towards nonuniform illumination face enhancement via adaptive contrast stretching
CN114648487B (zh) 一种基于异常检测技术的图像篡改定位方法、装置及终端
CN117392714A (zh) 基于半监督学习的人脸美丽预测方法、设备及介质
JP2008077536A (ja) 画像処理装置および方法、並びにプログラム
Wu et al. Action unit recognition transfer across datasets
Wu et al. Simultaneous eye tracking and blink detection with interactive particle filters
TWI632509B (zh) 人臉辨識裝置及方法、提升影像辨識率的方法、及電腦可讀儲存介質
WO2025194748A1 (zh) 基于元学习的人脸美丽度评价方法、装置、设备及介质
JP7841381B2 (ja) 学習プログラム、識別プログラム、学習方法および識別方法
Gomez-Nieto et al. Quality aware features for performance prediction and time reduction in video object tracking
Ueki et al. Perceived age estimation under lighting condition change by covariate shift adaptation
JP5210808B2 (ja) 年齢推定装置及び方法
Du et al. [Retracted] Ensemble Learning‐Based Multi‐Cues Fusion Object Tracking in Complex Surveillance Environment
Mathews et al. “Am I your sibling?” Inferring kinship cues from facial image pairs
US20260105310A1 (en) Text-based last layer retraining method and apparatus for debiasing image classifier
JP7315933B2 (ja) 情報処理装置、情報処理方法及び情報処理プログラム

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 201080019028.X

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10769615

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 13263059

Country of ref document: US

ENP Entry into the national phase

Ref document number: 20117028324

Country of ref document: KR

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 10769615

Country of ref document: EP

Kind code of ref document: A1