學(xué)界利用人臉圖片準確識別年齡上海大學(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：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：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：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：上海大學(xué)研究者提出深度回歸叢林作者：沈為等依據(jù)面部圖像評估人物年紀往常被以為是一個非線性回歸問題，其主要挑戰(zhàn)是對于年紀的面部特點空間是異構(gòu)的。在上海大學(xué)、約翰霍普金斯大學(xué)、南開大學(xué)與海康威視等機構(gòu)提交的新論文中，研究人員提出了深度回歸叢林（DeepRegressionForests/DRFs），一個用于年紀評估的端到端模型。他們在三個標準年紀評估基準上考證了DRFs，所有獲得了目前最優(yōu)的

2、結(jié)果。因為不停增加的法醫(yī)研究、安全控制、人機交互（HCI）和交際媒體的多種潛伏應(yīng)用的需求，人們對依據(jù)人臉圖像進行年紀評估愈來愈感興趣。固然這個問題已經(jīng)被寬泛地研究過，但目前機器依據(jù)人臉圖像自動評估年紀的正確率和靠譜度仍舊遠遠落伍人類表現(xiàn)。圖1：（a）不一樣的人在同樣的年紀下的相貌特點的巨大差別。（b）一個人從童年到成年時期的面部圖像。注意，面部隨年紀的變化在童年時期主要在于臉形，在成年時期的變化主要在于皮膚紋理。存在兩種年紀評估任務(wù)。一種任務(wù)是真切年紀評估，即依據(jù)面部評估一個人的正確生物學(xué)年紀，而另一種任務(wù)是年紀集體評估，即展望某人年紀處于某個區(qū)間的概率。本論文專注于第一種任務(wù)種類，即正確年紀

3、的回歸。解決這個問題的關(guān)鍵是學(xué)習(xí)面部圖像特點和真切生物學(xué)年紀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，對于年紀的面部特點空間是異構(gòu)的，原由有兩個：不一樣的人在同樣的年紀下的相貌特點的巨大差別（如圖（1）1a）。2）人臉的成長在不一樣的年紀以不一樣的方式進行，比如，面部隨年紀的變化在童年時期主要在于臉形，在成年時期的變化主要在于皮膚紋理（如圖1b）。為了對這樣的異質(zhì)數(shù)據(jù)建模，已有的年紀評估方法要么找尋一個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)多個局部回歸器。但是，這些方法都有弊端，：因為異質(zhì)性的數(shù)據(jù)散布，學(xué)習(xí)非安穩(wěn)的核不行防止會出現(xiàn)誤差

4、，進而致使過擬合。分而治之策略是學(xué)習(xí)面部的非安穩(wěn)年紀變化的好方法，但已有的方法都是依據(jù)年紀進行硬分區(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。為認識決以上所述的挑戰(zhàn)，研究人員提出了可微回歸叢林（differentiableregressionforests）。隨機叢林或隨機化決議樹是一種流行的集成展望模型，此中每個樹構(gòu)造能夠自然地在分別節(jié)點上履行數(shù)據(jù)分區(qū)，在葉節(jié)點上履行數(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)硬決議是在每個分別節(jié)點上履行的）。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（局部回歸器）上的輸入特點空間和數(shù)據(jù)抽象能夠進行結(jié)合學(xué)習(xí)，進而保證葉節(jié)點上的局部輸入-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算機視覺任務(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)實現(xiàn)無縫整合，形成端到端的深度年紀評估模型，也就是深度回歸叢林。為了建立這樣一個樹模型，研究人員采納交互優(yōu)化策略：第一固定葉節(jié)點，經(jīng)過反向流傳優(yōu)化分別節(jié)點和CNN參數(shù)處的數(shù)據(jù)分區(qū)；接著固定分別節(jié)點，經(jīng)過變分界限優(yōu)化葉節(jié)點處的數(shù)據(jù)抽象。這兩個學(xué)習(xí)步驟交替進行，以結(jié)合優(yōu)化用于年紀評估的特點學(xué)習(xí)和回歸建模。研究人員依據(jù)實質(zhì)年紀評

6、估方法的三個基準測試上評估了新的算法：MORPH、FGNET和跨年紀名人數(shù)據(jù)集（CACD）。實驗結(jié)果表示在這三個基準上這個算法超越了若干個目前業(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）和標簽散布學(xué)習(xí)叢林（LabelDistributionLearningForests，LDLFs48）所啟迪而提出，但算法的目標是不一樣的（回歸vs.分類/標簽散布）。因為回歸的輸出空間的散布是連續(xù)的，可是這兩個分類任務(wù)的輸出空間的散布是失散的，所以將可微分的決議樹擴展到回歸計算上是很困難的。本論文的貢獻有三個：1）提出了深度回歸叢林（

7、DeepRegressionForests，DRF）和一個端到端模型，以經(jīng)過結(jié)合學(xué)習(xí)分別節(jié)點中的輸入有關(guān)的數(shù)據(jù)分區(qū)和葉節(jié)點中的數(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)點上的收斂是有數(shù)學(xué)保證的。3）在三種標準的年紀評估基準測試中應(yīng)用DRF方法，所有達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。藍色和綠色節(jié)點分別是分別節(jié)點和葉節(jié)點。兩個指數(shù)函數(shù)?_1和?_2分別分派給這兩個樹（_1和_2）。黑色箭頭表示這兩個樹的分別節(jié)點與全連結(jié)層輸出單元的對應(yīng)關(guān)系。注意，一個輸出單元可能對應(yīng)于屬于不一樣樹的

8、分別節(jié)點。每個樹有獨立的葉節(jié)點散布（由葉節(jié)點中的曲線散布表示）。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)面部圖像評估年紀往常被以為是一個非線性回歸問題，其主要挑戰(zhàn)是對于年紀的面部特點空間是異構(gòu)的，這是因為同一年紀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），一個用于年紀評估的端到端模型。DRF把分別節(jié)點連結(jié)到CNN的一個全連結(jié)層，并經(jīng)過結(jié)合學(xué)習(xí)分別節(jié)點處的輸入有關(guān)數(shù)據(jù)分區(qū)和葉節(jié)點處的數(shù)據(jù)抽象來辦理異