學(xué)界利用人臉圖片準(zhǔn)確識(shí)別年齡上海大學(xué)研究者提出「深度回歸森林」

1、學(xué)界利用人臉圖片正確辨別年紀(jì)：上海大學(xué)研究者提出深度回歸叢林學(xué)界利用人臉圖片正確辨別年紀(jì)：上海大學(xué)研究者提出深度回歸叢林學(xué)界利用人臉圖片正確辨別年紀(jì)：上海大學(xué)研究者提出深度回歸叢林學(xué)界利用人臉圖片正確辨別年紀(jì)：上海大學(xué)研究者提出深度回歸叢林作者：沈?yàn)榈纫罁?jù)面部圖像評(píng)估人物年紀(jì)往常被以為是一個(gè)非線性回歸問題，其主要挑戰(zhàn)是對(duì)于年紀(jì)的面部特點(diǎn)空間是異構(gòu)的。在上海大學(xué)、約翰霍普金斯大學(xué)、南開大學(xué)與?？低暤葯C(jī)構(gòu)提交的新論文中，研究人員提出了深度回歸叢林（DeepRegressionForests/DRFs），一個(gè)用于年紀(jì)評(píng)估的端到端模型。他們?cè)谌齻€(gè)標(biāo)準(zhǔn)年紀(jì)評(píng)估基準(zhǔn)上考證了DRFs，所有獲得了目前最優(yōu)的

2、結(jié)果。因?yàn)椴煌Ｔ黾拥姆ㄡt(yī)研究、安全控制、人機(jī)交互（HCI）和交際媒體的多種潛伏應(yīng)用的需求，人們對(duì)依據(jù)人臉圖像進(jìn)行年紀(jì)評(píng)估愈來愈感興趣。固然這個(gè)問題已經(jīng)被寬泛地研究過，但目前機(jī)器依據(jù)人臉圖像自動(dòng)評(píng)估年紀(jì)的正確率和靠譜度仍舊遠(yuǎn)遠(yuǎn)落伍人類表現(xiàn)。圖1：（a）不一樣的人在同樣的年紀(jì)下的相貌特點(diǎn)的巨大差別。（b）一個(gè)人從童年到成年時(shí)期的面部圖像。注意，面部隨年紀(jì)的變化在童年時(shí)期主要在于臉形，在成年時(shí)期的變化主要在于皮膚紋理。存在兩種年紀(jì)評(píng)估任務(wù)。一種任務(wù)是真切年紀(jì)評(píng)估，即依據(jù)面部評(píng)估一個(gè)人的正確生物學(xué)年紀(jì)，而另一種任務(wù)是年紀(jì)集體評(píng)估，即展望某人年紀(jì)處于某個(gè)區(qū)間的概率。本論文專注于第一種任務(wù)種類，即正確年紀(jì)

3、的回歸。解決這個(gè)問題的關(guān)鍵是學(xué)習(xí)面部圖像特點(diǎn)和真切生物學(xué)年紀(jì)之間的非線性映射函數(shù)。但是，學(xué)習(xí)這樣的映照很有挑戰(zhàn)性。主要的困難在于，對(duì)于年紀(jì)的面部特點(diǎn)空間是異構(gòu)的，原由有兩個(gè)：不一樣的人在同樣的年紀(jì)下的相貌特點(diǎn)的巨大差別（如圖（1）1a）。2）人臉的成長在不一樣的年紀(jì)以不一樣的方式進(jìn)行，比如，面部隨年紀(jì)的變化在童年時(shí)期主要在于臉形，在成年時(shí)期的變化主要在于皮膚紋理（如圖1b）。為了對(duì)這樣的異質(zhì)數(shù)據(jù)建模，已有的年紀(jì)評(píng)估方法要么找尋一個(gè)鑒于核的全局非線性映照；要么應(yīng)用分而治之的策略，將數(shù)據(jù)空間分區(qū)而后學(xué)習(xí)多個(gè)局部回歸器。但是，這些方法都有弊端，：因?yàn)楫愘|(zhì)性的數(shù)據(jù)散布，學(xué)習(xí)非安穩(wěn)的核不行防止會(huì)出現(xiàn)誤差

4、，進(jìn)而致使過擬合。分而治之策略是學(xué)習(xí)面部的非安穩(wěn)年紀(jì)變化的好方法，但已有的方法都是依據(jù)年紀(jì)進(jìn)行硬分區(qū)，所以這些方法可能沒法找到用于學(xué)習(xí)局部回歸器的異質(zhì)子集。為認(rèn)識(shí)決以上所述的挑戰(zhàn)，研究人員提出了可微回歸叢林（differentiableregressionforests）。隨機(jī)叢林或隨機(jī)化決議樹是一種流行的集成展望模型，此中每個(gè)樹構(gòu)造能夠自然地在分別節(jié)點(diǎn)上履行數(shù)據(jù)分區(qū)，在葉節(jié)點(diǎn)上履行數(shù)據(jù)抽象。傳統(tǒng)的回歸叢林使用的是數(shù)據(jù)硬分區(qū)，鑒于啟迪式（比如使用貪婪算法，此中局部最優(yōu)硬決議是在每個(gè)分別節(jié)點(diǎn)上履行的）。和它們不一樣，我們提出的可微回歸叢林履行的是數(shù)據(jù)軟分區(qū)，進(jìn)而能夠?qū)W習(xí)輸入有關(guān)的分區(qū)函數(shù)以辦理異

5、質(zhì)數(shù)據(jù)。別的，葉節(jié)點(diǎn)（局部回歸器）上的輸入特點(diǎn)空間和數(shù)據(jù)抽象能夠進(jìn)行結(jié)合學(xué)習(xí)，進(jìn)而保證葉節(jié)點(diǎn)上的局部輸入-輸出關(guān)系是異質(zhì)的。近來，CNN端到端學(xué)習(xí)已經(jīng)十分流行，并寬泛用于提高不一樣計(jì)算機(jī)視覺任務(wù)的性能，如圖像分類、語義切割，以及物體辨別。本文提出的可微回歸叢林可與任何深度網(wǎng)絡(luò)實(shí)現(xiàn)無縫整合，形成端到端的深度年紀(jì)評(píng)估模型，也就是深度回歸叢林。為了建立這樣一個(gè)樹模型，研究人員采納交互優(yōu)化策略：第一固定葉節(jié)點(diǎn)，經(jīng)過反向流傳優(yōu)化分別節(jié)點(diǎn)和CNN參數(shù)處的數(shù)據(jù)分區(qū)；接著固定分別節(jié)點(diǎn)，經(jīng)過變分界限優(yōu)化葉節(jié)點(diǎn)處的數(shù)據(jù)抽象。這兩個(gè)學(xué)習(xí)步驟交替進(jìn)行，以結(jié)合優(yōu)化用于年紀(jì)評(píng)估的特點(diǎn)學(xué)習(xí)和回歸建模。研究人員依據(jù)實(shí)質(zhì)年紀(jì)評(píng)

6、估方法的三個(gè)基準(zhǔn)測(cè)試上評(píng)估了新的算法：MORPH、FGNET和跨年紀(jì)名人數(shù)據(jù)集（CACD）。實(shí)驗(yàn)結(jié)果表示在這三個(gè)基準(zhǔn)上這個(gè)算法超越了若干個(gè)目前業(yè)內(nèi)最優(yōu)異的方法。本文提出的算法受深度神經(jīng)決議叢林（DeepNeuralDecisionForests，dNDFs33）和標(biāo)簽散布學(xué)習(xí)叢林（LabelDistributionLearningForests，LDLFs48）所啟迪而提出，但算法的目標(biāo)是不一樣的（回歸vs.分類/標(biāo)簽散布）。因?yàn)榛貧w的輸出空間的散布是連續(xù)的，可是這兩個(gè)分類任務(wù)的輸出空間的散布是失散的，所以將可微分的決議樹擴(kuò)展到回歸計(jì)算上是很困難的。本論文的貢獻(xiàn)有三個(gè)：1）提出了深度回歸叢林（

7、DeepRegressionForests，DRF）和一個(gè)端到端模型，以經(jīng)過結(jié)合學(xué)習(xí)分別節(jié)點(diǎn)中的輸入有關(guān)的數(shù)據(jù)分區(qū)和葉節(jié)點(diǎn)中的數(shù)據(jù)散布辦理異構(gòu)數(shù)據(jù)。2）鑒于變分界限，我們的更新規(guī)則在DRF葉子結(jié)點(diǎn)上的收斂是有數(shù)學(xué)保證的。3）在三種標(biāo)準(zhǔn)的年紀(jì)評(píng)估基準(zhǔn)測(cè)試中應(yīng)用DRF方法，所有達(dá)到了目前最正確的結(jié)果。圖2：深度回歸叢林圖示。頂部紅色圓圈是被參數(shù)化的函數(shù)f的輸出單元。這里，它們是CNN中全連結(jié)層的單元。藍(lán)色和綠色節(jié)點(diǎn)分別是分別節(jié)點(diǎn)和葉節(jié)點(diǎn)。兩個(gè)指數(shù)函數(shù)?_1和?_2分別分派給這兩個(gè)樹（_1和_2）。黑色箭頭表示這兩個(gè)樹的分別節(jié)點(diǎn)與全連結(jié)層輸出單元的對(duì)應(yīng)關(guān)系。注意，一個(gè)輸出單元可能對(duì)應(yīng)于屬于不一樣樹的

8、分別節(jié)點(diǎn)。每個(gè)樹有獨(dú)立的葉節(jié)點(diǎn)散布（由葉節(jié)點(diǎn)中的曲線散布表示）。叢林的輸出是樹展望的混淆。f(;和)以端到端的方式被結(jié)合學(xué)習(xí)。表1：MORPH上的性能對(duì)照（設(shè)置I）（*：表示數(shù)值讀取自該研究有記錄的CS曲線）論文：DeepRegressionForestsforAgeEstimation論文鏈接：綱要：依據(jù)面部圖像評(píng)估年紀(jì)往常被以為是一個(gè)非線性回歸問題，其主要挑戰(zhàn)是對(duì)于年紀(jì)的面部特點(diǎn)空間是異構(gòu)的，這是因?yàn)橥荒昙o(jì)段不一樣人的面部外觀差別很大，以及衰老模式是非安穩(wěn)性的。在本論文中，我們提出了深度回歸叢林（DeepRegressionForests/DRF），一個(gè)用于年紀(jì)評(píng)估的端到端模型。DRF把分別節(jié)點(diǎn)連結(jié)到CNN的一個(gè)全連結(jié)層，并經(jīng)過結(jié)合學(xué)習(xí)分別節(jié)點(diǎn)處的輸入有關(guān)數(shù)據(jù)分區(qū)和葉節(jié)點(diǎn)處的數(shù)據(jù)抽象來辦理異