[论文解读] Deep Convolutional Neural Network for Age Estimation based on VGG-Face Model

Zakariya Qawaqneh, Arafat Abu Mallouh+1 more|arXiv (Cornell University)|Sep 5, 2017

Face recognition and analysis被引用 46

一句话总结

本文提出了一种使用预训练VGG-Face模型的迁移学习方法进行年龄估计，表明在Adience数据集上微调一个用于人脸识别的卷积神经网络（CNN）能显著提高年龄估计的准确性。其主要贡献在于证明了在大规模人脸识别数据上进行预训练可减轻过拟合并提升性能，即使目标任务（年龄估计）与原始任务不同。

ABSTRACT

Automatic age estimation from real-world and unconstrained face images is rapidly gaining importance. In our proposed work, a deep CNN model that was trained on a database for face recognition task is used to estimate the age information on the Adience database. This paper has three significant contributions in this field. (1) This work proves that a CNN model, which was trained for face recognition task, can be utilized for age estimation to improve performance; (2) Over fitting problem can be overcome by employing a pretrained CNN on a large database for face recognition task; (3) Not only the number of training images and the number subjects in a training database effect the performance of the age estimation model, but also the pre-training task of the employed CNN determines the performance of the model.

研究动机与目标

• 研究预训练用于人脸识别的深度卷积神经网络是否可被有效微调以用于年龄估计。
• 评估预训练对模型泛化能力和年龄估计性能的影响。
• 分析预训练任务的选择如何影响年龄估计的准确性。
• 解决在训练数据有限时年龄估计中常见的过拟合问题。
• 证明在非约束性、真实世界人脸图像设置下迁移学习的有效性。

提出的方法

• 在Adience数据集上对预训练的VGG-Face模型进行微调以实现年龄估计。
• 将VGG-Face网络最后一个全连接层的特征提取作为新回归头的输入。
• 应用迁移学习以利用从大规模人脸识别数据中学到的特征。
• 在冻结的特征上添加回归头，从人脸图像预测年龄。
• 端到端训练最后几层，同时保持早期卷积层固定以保留通用特征。
• 使用数据增强和正则化技术以减轻年龄估计任务中的过拟合。

实验结果

研究问题

• RQ1 能否有效将预训练用于人脸识别的卷积神经网络适配到年龄估计任务？
• RQ2 从人脸识别迁移学习是否能提高在非约束数据集上的年龄估计性能？
• RQ3 预训练任务如何影响最终的年龄估计准确性？
• RQ4 在训练数据有限的情况下，预训练在多大程度上能减少过拟合？
• RQ5 性能提升是源于特征迁移还是网络架构容量本身？

主要发现

• 与从零开始训练相比，预训练的VGG-Face模型在年龄估计任务中表现更优。
• 在Adience数据集上对VGG-Face模型进行微调显著减少了过拟合。
• 预训练任务对模型性能有可测量的影响，其中人脸识别预训练的效果优于随机初始化。
• 由于迁移学习，模型在非约束性、真实世界人脸图像上表现出更强的泛化能力。
• 该方法优于基线模型，证实了迁移学习在年龄估计中的有效性。
• 结果表明，预训练的质量是影响年龄估计性能的关键因素。