[论文解读] Multi-Expert Gender Classification on Age Group by Integrating Deep Neural Networks

Jun Beom Kho|arXiv (Cornell University)|Sep 6, 2018

Face recognition and analysis参考文献 33被引用 4

一句话总结

该论文提出多专家性别分类年龄组（MGA）框架，一种端到端多任务学习方法，整合卷积外观网络（CAN）以提取面部外观特征，以及深度几何网络（DGN）以提取面部形状特征，其中年龄组分类引导专家专业化。MGA在MORPH-2数据集上实现99.11%的最先进性别分类准确率，在Adience数据集上达到93.80%，仅使用200万参数，显著优于先前方法，同时将计算成本降低至原来的1/69。

ABSTRACT

Generally, facial age variations affect gender classification accuracy significantly, because facial shape and skin texture change as they grow old. This requires re-examination on the gender classification system to consider facial age information. In this paper, we propose Multi-expert Gender Classification on Age Group (MGA), an end-to-end multi-task learning schemes of age estimation and gender classification. First, two types of deep neural networks are utilized; Convolutional Appearance Network (CAN) for facial appearance feature and Deep Geometry Network (DGN) for facial geometric feature. Then, CAN and DGN are integrated by the proposed model integration strategy and fine-tuned in order to improve age and gender classification accuracy. The facial images are categorized into one of three age groups (young, adult and elder group) based on their estimated age, and the system makes a gender prediction according to average fusion strategy of three gender classification experts, which are trained to fit gender characteristics of each age group. Rigorous experimental results conducted on the challenging databases suggest that the proposed MGA outperforms several state-of-art researches with smaller computational cost.

研究动机与目标

• 解决非受限环境下面部老化对性别分类准确率的负面影响。
• 通过利用年龄组特定的专业知识和面部几何特征，提升性别分类性能。
• 开发一种轻量化、高效的深度学习模型，联合估计年龄并执行性别分类。
• 通过一种新颖的模型集成策略，整合外观与几何特征，且不增加模型大小。
• 在基准数据集上展示优越性能，与先前最先进方法相比，计算成本显著降低。

提出的方法

• 基于轻量级CNN的卷积外观网络（CAN），用于提取皮肤纹理、肤色等面部外观特征。
• 提出深度几何网络（DGN），采用半张脸输入以提取鲁棒的面部形状特征，尤其在姿态变化下表现优异。
• 实施一种模型集成策略，联合微调CAN与DGN，以增强特征融合与整体性能。
• 通过年龄估计将输入图像划分为三个年龄组（年轻、成人、年长），随后应用针对年龄组的性别分类专家。
• 通过三种年龄组特定性别专家的平均融合策略，生成最终的性别预测结果。
• 采用多任务学习方式，端到端训练整个MGA系统，实现联合年龄估计与性别分类。

实验结果

研究问题

• RQ1 是否可以通过年龄组感知的性别分类专家专业化，提升在老化影响下的面部数据上的性能？
• RQ2 通过DGN整合深层面部几何特征与通过CAN提取的外观特征，在性别分类中效果如何？
• RQ3 所提出的模型集成策略是否能在不增加模型大小的前提下提升性能？
• RQ4 MGA是否能以显著减少的参数量实现最先进准确率，相比现有方法？
• RQ5 在真实世界条件下，MGA在Adience和MORPH-2等多样化数据集上的性能表现如何？

主要发现

• 在MORPH-2数据集上，MGA实现99.11%的性别分类准确率，仅使用200万参数，比[28]和[32]等方法小69倍。
• 在Adience数据集上，MGA实现93.80%的性别分类准确率和79.55%的精确年龄估计准确率，尽管模型更小，仍超越最先进方法。
• DGN与CAN的集成提升了性能，表明几何特征可增强性别分类，尤其在老化影响下效果显著。
• 当与ResNet-50结合时，MGA（ResNet-50）在MORPH-2上实现99.11%的性别准确率和2.95的MAE，表明其与更深架构具有良好的兼容性与可扩展性。
• 对年龄组特定专家进行平均融合，有效减少了年轻和年长年龄组的性能退化，证实了年龄感知专业化的有效性。
• 所提出的模型集成策略成功融合了外观与几何特征，且未增加模型大小，保持了计算效率。