Age and Gender Classification using Convolutional Neural Networks

介绍

研究动机

本文旨在缩小自动人脸识别能力与年龄性别估计方法之间的差距。
年龄估计：关于自动提取年龄相关属性问题。（与传统方法对比）
性别估计：本文关注于Adience数据集，作者认为它包含比LFW提供的图像更具挑战性的图像，使用一个更健壮的系统报告性能，该系统旨在更好地利用来自大量示例训练集的信息。

网络结构

图像首先被重新缩放到256256，然后将图像进行裁剪（中心裁剪），裁剪为227227输入网络。三个卷积层定义为：

1. 卷积核$96\times 3\times 7\times 7$+ReLU+max pooling$3\times 3$，stride=2，normalization，输出为$96\times 28\times 28$。
2. 卷积核$96\times 5\times 5\times 256$+ReLU+max pooling$3\times 3$，stride=2，normalization，输出为$256\times 14\times 14$。
3. 卷积核$256\times 14\times 14\times 384$+ReLU+max pooling$3\times 3$。
4. 512个神经元+ReLU+dropout
5. 512个神经元+ReLU+dropout
6. 根据年龄或性别映射到最后的类。
   文中使用过采样，作者提取5个$227\times 227$像素裁剪区域，4个来自与人脸图像的角落，另外一个则为人脸图像中心部分。将五幅图像输入该网络，得到他们的水平映射，最终预测结果就是它们的平均预测值。
   网络设计图：
   
   详细网络图：
   

实验结果

年龄或性别估计结果：

性别错误分类：

年龄错误分类：

总结

这篇2015年的年龄估计论文，算是早期年龄估计与深度学习相结合的论文，它考虑了无约束图像集（网络图像）在年龄估计问题。其次，本文简单的模型给后来者很大的改进空间，从数据集处理到网络模型改善都有很大发展前景。