[论文解读] A Coupled Evolutionary Network for Age Estimation

Peipei Li, Yibo Hu+2 more|arXiv (Cornell University)|Sep 20, 2018

Face recognition and analysis参考文献 23被引用 6

一句话总结

本文提出了一种耦合进化网络（CEN）用于年龄估计，通过联合优化进化标签分布学习与进化松弛回归，以建模复杂且个体特异的年龄分布，并利用年龄的连续性和有序性。该方法在Morph、ChaLearn15和MegaAge-Asian数据集上取得了最先进性能，在使用ResNet18时，MegaAge-Asian上的平均绝对误差（MAE）为1.905。

ABSTRACT

Age estimation of unknown persons is a challenging pattern analysis task due to the lacking of training data and various aging mechanisms for different people. Label distribution learning-based methods usually make distribution assumptions to simplify age estimation. However, age label distributions are often complex and difficult to be modeled in a parameter way. Inspired by the biological evolutionary mechanism, we propose a Coupled Evolutionary Network (CEN) with two concurrent evolutionary processes: evolutionary label distribution learning and evolutionary slack regression. Evolutionary network learns and refines age label distributions in an iteratively learning way. Evolutionary label distribution learning adaptively learns and constantly refines the age label distributions without making strong assumptions on the distribution patterns. To further utilize the ordered and continuous information of age labels, we accordingly propose an evolutionary slack regression to convert the discrete age label regression into the continuous age interval regression. Experimental results on Morph, ChaLearn15 and MegaAge-Asian datasets show the superiority of our method.

研究动机与目标

• 为解决在年龄估计中建模复杂、非高斯的年龄标签分布的挑战，且无需强参数假设。
• 通过将回归与进化优化相结合，将年龄的有序性和连续性融入标签分布学习中。
• 通过耦合进化机制联合训练标签分布学习与回归，以提升性能。
• 减少对固定分布假设（如高斯分布）的依赖，这些假设难以捕捉个体老化差异。
• 通过迭代优化标签分布与回归目标，实现更优的年龄估计精度。

提出的方法

• CEN采用两种并行的进化过程：进化标签分布学习与进化松弛回归。
• 进化标签分布学习利用神经网络自适应地估计并优化年龄分布，无需假设特定的参数形式。
• 该方法使用温度控制的软正切函数以稳定分布估计，并采用Kullback-Leibler散度损失，基于祖先知识优化分布。
• 进化松弛回归引入松弛项，将离散年龄回归转化为连续区间回归，保留年龄的顺序与连续性。
• 模型通过加权组合交叉熵损失、KL散度损失与回归损失进行端到端训练，损失权重由超参数α与λ平衡。
• 性能在多个进化迭代（t=1至t=4）中逐步提升，最优结果出现在t=3或t=4，表明模型已收敛。

实验结果

研究问题

• RQ1 基于神经网络的进化机制能否在无需强分布假设的前提下，有效学习复杂且个体特异的年龄标签分布？
• RQ2 将标签分布学习与连续回归相结合，如何提升年龄估计的精度？
• RQ3 迭代进化对优化年龄分布与回归预测的影响如何？
• RQ4 超参数τ、α与λ对耦合进化框架性能的影响是什么？
• RQ5 所提出的CEN是否在标准年龄估计基准上优于现有最先进方法？

主要发现

• 在MegaAge-Asian数据集上，使用ResNet18的CEN实现了1.905的平均绝对误差（MAE），达到最先进性能。
• 在MegaAge-Asian上，经过三次进化迭代后，CEN将CA(7)从90.52%提升至92.28%，表明性能持续提升。
• 消融实验表明，τ=2、α=0.5与λ=4时性能最佳，在Morph数据集上MAE为1.905。
• 进化优化显著提升了性能：在Morph数据集上，使用ResNet18的MAE从2.220降至1.905，四次迭代后实现改进。
• 该方法优于固定分布假设（如高斯分布），通过学习灵活、数据驱动的标签分布，实现个体差异化的分布建模。
• 可视化结果证实，学习到的分布为非高斯分布，且在不同个体间存在差异，验证了采用自适应学习而非刚性假设的必要性。