-
题名面向人脸年龄估计的开集半监督多任务学习方法
- 1
-
-
作者
张珂
梁龙萍
郭玉荣
王子念
-
机构
华北电力大学燕赵电力实验室
华北电力大学电子与通信工程系
河北省电力物联网技术重点实验室
电力物联智慧化技术河北省工程研究中心
贵州电网有限责任公司安顺供电局
-
出处
《中国图象图形学报》
北大核心
2025年第12期3804-3823,共20页
-
基金
国家自然科学基金项目(62506129,62076093,61871182,62206095)
中央高校基本科研业务费专项资金资助(2022MS078,2023JG002,2023JC006,2025MS117)
河北省自然科学基金项目(F2024502017)。
-
文摘
目的人脸图像年龄估计在数字营销和人机交互等领域具有重要应用价值。然而,实现精确人脸年龄估计面临缺乏大规模有标签数据集的挑战。半监督学习方法能利用无标签数据集缓解此问题,但现有方法易引入错误伪标签,对年龄估计性能产生负面影响。因此,提出一种面向人脸年龄估计的开集半监督多任务学习方法。方法首先,为了增强模型对局部和全局特征的处理能力,提出SwinLEDF模型,该模型以Swin Transformer作为主干网络,用于提取全局特征,并通过融合LEFF(local enhanced feed-forward)模块和DFN(dynamic filter networks)模块,进一步提升模型对局部特征的提取能力。其次,为了有效利用有标签数据和无标签数据中的有效信息,设计开集半监督多任务学习框架。在此框架中,模型通过标准闭集分类器和多类二元分类器的协同工作有效排除异常数据的干扰,采用自适应阈值方法确定性别、种族和年龄的伪标签,并引入负学习策略,以提高对无标签数据的利用率。结果在MORPH数据集上,仅使用有标签数据集时,模型的平均绝对误差为1.908;同时使用有标签数据集和无标签数据集时,MAE(mean absolute error)降至1.885。在UTKface数据集上,仅使用有标签数据集时,MAE为4.343;而结合有标签数据集和无标签数据集时,MAE降至4.246。与现有的人脸年龄估计方法相比,本文方法提高年龄估计的性能,能够有效利用无标签数据集进一步优化年龄估计性能。结论本文提出一种面向人脸年龄估计的开集半监督多任务学习方法,能够从有标签数据集和无标签数据集中有效提取人脸图像的性别、种族和年龄特征,从而提升人脸年龄估计的精度。这为实现更加精准的人脸年龄估计提供了新的思路和解决方案。
-
关键词
人脸年龄估计
开集半监督学习
多任务学习
swinledf模型
伪标签
-
Keywords
facial age estimation
open-set semi-supervised learning
multi-task learning
swinledf model
pseudo-label
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
TP391
[自动化与计算机技术—计算机应用技术]
-
