[论文解读] BridgeNet: A Continuity-Aware Probabilistic Network for Age Estimation

Wanhua Li, Jiwen Lu+4 more|arXiv (Cornell University)|Apr 6, 2019

Face recognition and analysis参考文献 45被引用 8

一句话总结

BridgeNet 是一种连续性感知的概率性网络，用于年龄估计，通过新颖的桥-树架构将局部回归器与门控网络结合，显式建模相邻年龄间面部外观的平滑连续变化。通过在门控网络中强制相邻节点之间的相似性，BridgeNet 提升了回归精度，在 MORPH II 数据集上达到 2.38 MAE，在 Chalearn LAP 2015 上达到 2.98 MAE，优于现有方法在回归与基于排名的基准测试中的表现。

ABSTRACT

Age estimation is an important yet very challenging problem in computer vision. Existing methods for age estimation usually apply a divide-and-conquer strategy to deal with heterogeneous data caused by the non-stationary aging process. However, the facial aging process is also a continuous process, and the continuity relationship between different components has not been effectively exploited. In this paper, we propose BridgeNet for age estimation, which aims to mine the continuous relation between age labels effectively. The proposed BridgeNet consists of local regressors and gating networks. Local regressors partition the data space into multiple overlapping subspaces to tackle heterogeneous data and gating networks learn continuity aware weights for the results of local regressors by employing the proposed bridge-tree structure, which introduces bridge connections into tree models to enforce the similarity between neighbor nodes. Moreover, these two components of BridgeNet can be jointly learned in an end-to-end way. We show experimental results on the MORPH II, FG-NET and Chalearn LAP 2015 datasets and find that BridgeNet outperforms the state-of-the-art methods.

研究动机与目标

• 解决面部年龄估计中非平稳且异质的衰老模式挑战。
• 显式建模面部衰老的连续性，其中相邻年龄具有高度视觉相似性。
• 通过在局部回归器之间引入连续性感知加权，提升回归精度。
• 开发一种联合的、端到端可训练的框架，集成局部回归器与连续性感知门控网络。
• 在基准年龄估计数据集上超越现有最先进方法。

提出的方法

• BridgeNet 使用局部回归器将数据空间划分为重叠的子空间，实现对异质衰老模式的局部建模。
• 具有桥-树结构的门控网络学习局部回归器输出的概率性、连续性感知权重。
• 桥-树结构在同层相邻节点之间引入跳跃连接（桥接连接），以强制相似性并建模相邻年龄组之间的连续性。
• 门控网络采用概率软决策机制而非硬决策，实现鲁棒且平滑的集成预测。
• 整个模型端到端训练，支持与深度神经网络无缝集成。
• 该架构支持可扩展的深度与节点增长，可通过叶节点数量控制模型复杂度。

实验结果

研究问题

• RQ1 建模相邻年龄组之间的连续性是否能提升年龄估计精度？
• RQ2 在树状门控网络中引入桥接连接对年龄回归性能有何影响？
• RQ3 概率软门控机制是否优于基于硬决策的集成方法？
• RQ4 局部回归器的分而治之策略在连续性感知融合下受益程度如何？
• RQ5 BridgeNet 是否可泛化至其他基于回归的计算机视觉任务？

主要发现

• 在 MORPH II 数据集（设置 I）上，BridgeNet 达到 2.38 MAE，相比六层二叉树基线降低 0.13 年误差。
• 在 Chalearn LAP 2015 验证集上，BridgeNet 实现 MAE 2.98 和 ε-误差 0.26，相比最先进方法在 MAE 上降低 0.23 年，在 ε-误差 上降低 0.02。
• 二叉桥-树变体进一步提升精度，其 MAE 低于三叉桥-树，归因于桥接节点密度更高，连续性建模更优。
• 消融实验表明，桥-树结构显著优于标准树和基于 Softmax 的门控网络，尤其在模型复杂度相近时。
• BridgeNet 仅使用单一网络即实现优越性能，而最先进方法需依赖集成模型，证明其高效性与鲁棒性。
• 该方法具备泛化能力，可与任意深度神经网络端到端集成，广泛适用于回归任务。