General vs. Long-Tailed Age Estimation: An Approach to Kill Two Birds with One Stone

要約

顔年齢推定は、その多様な応用シナリオから大きな注目を集めています。
既存の研究のほとんどは、各サンプルを平等に扱い、データセット全体の平均推定誤差を減らすことを目的としており、これは一般的な年齢推定として要約できます。
ただし、データセットには長い尾分布が広がっているため、すべてのサンプルを平等に扱うと、必然的にモデルが先頭のクラス (通常はサンプルの大部分を占める成人) に偏ることになります。
これに基づいて、尾部クラス (少数のサンプル) のパフォーマンスを向上させるために各クラスを平等に扱う必要があることを示唆する研究もあり、これはロングテール年齢推定として要約できます。
ただし、ロングテール年齢推定は通常、パフォーマンスのトレードオフに直面します。つまり、ヘッド クラスを犠牲にしてテール クラスの改善を達成します。
このペーパーでは、両方のタスクを適切に実行する、一石二鳥の統一フレームワークを設計することを目標としています。
この目的を達成するために、私たちは GLAE という 2 つの要素からなる、シンプルで効果的かつ柔軟なトレーニング パラダイムを提案します。
当社の GLAE は Morph II に対して驚くべき改善をもたらし、MAE と CMAE の最低値であるそれぞれ 1.14 年と 1.27 年に達しました。
以前の最良の方法と比較して、MAE は最大 34% 低下しました。これは前例のない改善であり、MAE は初めて 1 年に近づきました。
CACD、MIVIA、Chalearn LAP 2015 などの他の年齢ベンチマーク データセットでの広範な実験でも、GLAE が最先端のアプローチよりも大幅に優れていることが示されています。

要約(オリジナル)

Facial age estimation has received a lot of attention for its diverse application scenarios. Most existing studies treat each sample equally and aim to reduce the average estimation error for the entire dataset, which can be summarized as General Age Estimation. However, due to the long-tailed distribution prevalent in the dataset, treating all samples equally will inevitably bias the model toward the head classes (usually the adult with a majority of samples). Driven by this, some works suggest that each class should be treated equally to improve performance in tail classes (with a minority of samples), which can be summarized as Long-tailed Age Estimation. However, Long-tailed Age Estimation usually faces a performance trade-off, i.e., achieving improvement in tail classes by sacrificing the head classes. In this paper, our goal is to design a unified framework to perform well on both tasks, killing two birds with one stone. To this end, we propose a simple, effective, and flexible training paradigm named GLAE, which is two-fold. Our GLAE provides a surprising improvement on Morph II, reaching the lowest MAE and CMAE of 1.14 and 1.27 years, respectively. Compared to the previous best method, MAE dropped by up to 34%, which is an unprecedented improvement, and for the first time, MAE is close to 1 year old. Extensive experiments on other age benchmark datasets, including CACD, MIVIA, and Chalearn LAP 2015, also indicate that GLAE outperforms the state-of-the-art approaches significantly.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google