性别|论文盘点：性别年龄分类器详解
北京联盟_本文原题：论文盘点：性别年龄分类器详解
?PaperWeekly 原创 · 作者｜孙裕道
学校｜北京邮电大学博士生
研究方向｜GAN图像生成、情绪对抗样本生成
引言
年龄和性别在社会交往中起着基础性的作用 。 随着社交平台和社交媒体的兴起 ， 自动年龄和性别分类已经成为越来越多应用程序的相关内容 。本文会盘点出近几年来关于深度年龄和性别识别的优质论文 。
CVPR 2015
本文插图
论文标题：Age and Gender Classification using Convolutional NeuralNetworks
论文来源：CVPR 2015
代码链接：https://github.com/GilLevi/AgeGenderDeepLearning
1.1 模型介绍
在该论文是第一篇将深度学习引入到年龄和性别的分类任务中 ， 作者证明通过使用深卷积神经网络的学习表示 ， 可以显著提高年龄和性别的分类任务的性能 。 因此 ， 该论文提出了一个卷积网络架构 ， 即使在学习数据量有限的情况下也可以使用 。
从社交图像库收集一个大的、带标签的图像训练集 ， 用于年龄和性别估计 ， 需要访问图像中出现的对象的个人信息 ， 这些信息通常是私有的 ， 或者手动标记既繁琐又耗时 。 因此 ， 用于从真实社会图像中估计年龄和性别的数据集在大小上相对有限 。 当深度学习的方法应用于如此小的图像采集时 ， 过拟合是一个常见的问题 。
如下图所示 ， 为作者提出的一个简单的 CNN 网络架构 ， 该网络包含三个卷积层 ， 每个卷积层后面都有一个校正的线性运算和池化层 。 前两层使用对参数进行正则化操作 。
第一卷积层包含 96个7×7 像素的卷积核 ， 第二个卷积层包含 256 个 5×5 像素的卷积核 ， 第三层和最后一层包含 384 个 3×3 像素的卷积核 。 最后 ， 添加两个全连接层 ， 每个层包含 512 个神经元 。
本文插图
在训练网络的过程中 ， 作者还应用了两种额外的方法来进一步限制过度拟合的风险 。 第一个是 dropout 学习（即随机设置网络神经元的输出值为零） 。 该网络包括两个 dropout 层 ， 丢失率为 0.5（将神经元的输出值设为零的几率为 50%） 。
第二个是使用数据增强技术 ， 从 256×256 的输入图像中随机抽取 227×227 个像素 ， 并在每个前后训练过程中随机镜像 。 这与使用的多种裁剪和镜像变体类似 。
1.2 实验结果
作者使用 Adience 数据集进行基准测试 CNN 设计的准确性 ， 该数据集是为年龄和性别分类而设计的 。 Adience 集包括从智能手机设备自动上传到 Flickr 的图像 。
因为这些图片是在没有事先人工过滤的情况下上传的 ， 就像媒体网页或社交网站上的典型情况一样 。 整个 Adience 收藏包括 2284 个受试者的大约 26K 张图片 。 如下表所示列出了收集到的不同性别和年龄组的分类情况 。
本文插图
下表分别给出了性别和年龄分类结果 ， 可以看出论文中提出的方法的准确率要比其它方法更高 。
本文插图
下图为性别错误分类 。 第一行：女性被误认为是男性 。 最下面一行：男性被误认为是女性 。
本文插图
下图为年龄错误分类 。 第一行：年长的被试被误认为是年轻人 。 最下面一行：年轻人被误认为是老年人 。
推荐阅读
- 奔驰S级|盘点几款九月份正式上市的新车，全新奔驰S级领衔
- 彭于晏|盘点娱乐圈的两大“痴情汉”， 一个暗恋7年， 一个追了10年！
- 穿搭|演技好颜值高，堪称“行走的衣架子”，盘点宋佳的穿衣搭配
- 电影|当演员入戏太深会怎么办？盘点那些年，被角色改变的演员们
- 卡车之家|新公告燃气车盘点，康明斯15L机出场，550马力太霸道
- 吃货|解放你的味蕾，盘点身边那些热门的美食记忆与文化
- 小型SUV|方盒子的复兴 盘点四款热门硬派越野车
- 情感小才子|《摩天大楼》钟美宝：性别偏见，始终是女性身上去不掉的“枷锁”
- 男生|盘点最靠得住的星座男，不可错过
- 论文|当我们说论文的时候，究竟在说什么？