DAA: A Delta Age AdaIN operation for age estimation via binary code transformer

要約

年齢の肉眼認識は、通常、他人の年齢との比較に基づいています。
しかし、各年齢の代表的なコントラスト画像を取得することは困難であるため、この考えはコンピュータ タスクによって無視されます。
転移学習に着想を得て、平均と標準偏差を表す学習値を通じて各年齢のスタイル マップを取得する、年齢ごとの特徴の違いを取得するための Delta Age AdaIN (DAA) 操作を設計しました。
連続した年齢特徴情報を取得するために、年齢自然数のバイナリコードとして転移学習の入力を行います。
バイナリ コード マッピングで学習した 2 つのグループの値は、比較年齢の平均と標準偏差に対応しています。
要約すると、この方法は、FaceEncoder、DAA 操作、バイナリ コード マッピング、AgeDecoder モジュールの 4 つの部分で構成されています。
AgeDecoder を介してデルタ年齢を取得した後、すべての比較年齢とデルタ年齢の平均値を予測年齢として取得します。
最先端の方法と比較して、私たちの方法は、複数の顔年齢データセットでより少ないパラメーターでより良いパフォーマンスを実現します。

要約(オリジナル)

Naked eye recognition of age is usually based on comparison with the age of others. However, this idea is ignored by computer tasks because it is difficult to obtain representative contrast images of each age. Inspired by the transfer learning, we designed the Delta Age AdaIN (DAA) operation to obtain the feature difference with each age, which obtains the style map of each age through the learned values representing the mean and standard deviation. We let the input of transfer learning as the binary code of age natural number to obtain continuous age feature information. The learned two groups of values in Binary code mapping are corresponding to the mean and standard deviation of the comparison ages. In summary, our method consists of four parts: FaceEncoder, DAA operation, Binary code mapping, and AgeDecoder modules. After getting the delta age via AgeDecoder, we take the average value of all comparison ages and delta ages as the predicted age. Compared with state-of-the-art methods, our method achieves better performance with fewer parameters on multiple facial age datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google