要約
一般化された年齢特徴抽出は、年齢推定や年齢不変顔認識（AIFR）のような、年齢に関連した顔分析タスクにとって極めて重要である。最近、同種データセット実験でのモデルの成功にもかかわらず、その性能はデータセットを横断した評価では著しく低下する。これらのモデルのほとんどは、加齢の自然な進行を明示的にモデル化することなく、抽出された特徴を訓練年齢ラベルと直接対応付けようとするのみであるため、一般化された年齢特徴を抽出することに失敗する。本論文では、OrdCon(Order-Enhanced Contrastive Learning)を提案する。OrdConは、異なるデータセットやシナリオ間のドメインギャップを最小化するために、一般化された年齢特徴を抽出することを目的とする。OrdConは、2つの特徴量の方向ベクトルを、自然な加齢方向かその逆方向のいずれかに整列させ、加齢プロセスを効果的にモデル化する。本手法はまた、クラス内分散を最小化しながら各年齢クラスタの中心付近に特徴量が配置されるようにするために、新しいソフトプロキシマッチング損失と組み合わされたメトリック学習を活用する。我々は、年齢推定とAIFRの両方について、様々なベンチマークデータセットにおいて、提案手法が最先端の手法と同等の結果を達成することを実証する。データセットを横断した実験では、提案手法は年齢推定タスクにおいて平均絶対誤差を約1.38%削減し、AIFRにおいて平均精度を1.87%向上させた。
要約(オリジナル)
Generalized age feature extraction is crucial for age-related facial analysis tasks, such as age estimation and age-invariant face recognition (AIFR). Despite the recent successes of models in homogeneous-dataset experiments, their performance drops significantly in cross-dataset evaluations. Most of these models fail to extract generalized age features as they only attempt to map extracted features with training age labels directly without explicitly modeling the natural progression of aging. In this paper, we propose Order-Enhanced Contrastive Learning (OrdCon), which aims to extract generalized age features to minimize the domain gap across different datasets and scenarios. OrdCon aligns the direction vector of two features with either the natural aging direction or its reverse to effectively model the aging process. The method also leverages metric learning which is incorporated with a novel soft proxy matching loss to ensure that features are positioned around the center of each age cluster with minimum intra-class variance. We demonstrate that our proposed method achieves comparable results to state-of-the-art methods on various benchmark datasets in homogeneous-dataset evaluations for both age estimation and AIFR. In cross-dataset experiments, our method reduces the mean absolute error by about 1.38 in average for age estimation task and boosts the average accuracy for AIFR by 1.87%.
arxiv情報
| 著者 | Haoyi Wang,Victor Sanchez,Chang-Tsun Li,Nathan Clarke |
| 発行日 | 2025-01-03 11:23:52+00:00 |
| arxivサイト | arxiv_id(pdf) |