[论文解读] On the effect of age perception biases for real age regression

Julio C. S. Jacques, Cagri Ozcinar+4 more|arXiv (Cornell University)|Feb 20, 2019

Face recognition and analysis参考文献 29被引用 5

一句话总结

本文提出了一种端到端的深度学习框架，通过建模人类感知偏差（如性别、表情、化妆和种族）来联合优化外表年龄估计与真实年龄回归。该模型首先利用这些属性提升外表年龄预测，随后反向利用它们校正偏差并回归真实年龄，在 APPA-REAL 数据集上实现了优于以往单独处理两项任务的最先进方法的性能。

ABSTRACT

Automatic age estimation from facial images represents an important task in computer vision. This paper analyses the effect of gender, age, ethnic, makeup and expression attributes of faces as sources of bias to improve deep apparent age prediction. Following recent works where it is shown that apparent age labels benefit real age estimation, rather than direct real to real age regression, our main contribution is the integration, in an end-to-end architecture, of face attributes for apparent age prediction with an additional loss for real age regression. Experimental results on the APPA-REAL dataset indicate the proposed network successfully take advantage of the adopted attributes to improve both apparent and real age estimation. Our model outperformed a state-of-the-art architecture proposed to separately address apparent and real age regression. Finally, we present preliminary results and discussion of a proof of concept application using the proposed model to regress the apparent age of an individual based on the gender of an external observer.

研究动机与目标

• 探究将人类感知偏差整合到深度学习中是否能提升真实年龄估计性能。
• 开发一种端到端架构，利用面部属性作为偏差指标，联合学习外表年龄与真实年龄预测。
• 验证基于属性感知学习的外表年龄预测是否能提升真实年龄回归的准确性。
• 探究观察者性别对外表年龄感知的影响，并建模其效应以实现个性化年龄估计。
• 展示一个概念验证应用，即模型根据观察者的性别预测外表年龄。

提出的方法

• 模型采用多任务 CNN 架构，其中早期层利用面部属性（性别、表情、化妆、种族）预测外表年龄。
• 使用独立的损失头从相同特征回归真实年龄，从而对外表年龄预测实施偏差校正。
• 面部属性以独热编码向量形式表示，并与特征图拼接，以引导外表年龄与真实年龄预测。
• 网络通过联合损失函数（结合外表年龄与真实年龄回归损失）进行端到端训练。
• 对于观察者性别建模，标签者的性别作为额外输入，以独热编码向量形式表示，并与被观察者属性拼接。
• 使用包含观察者性别标注的修改版 APPA-REAL 数据集对模型进行微调，创建了 1,328 个样本的新训练集。

实验结果

研究问题

• RQ1 通过面部属性建模人类感知偏差是否能提升真实年龄估计？
• RQ2 端到端联合学习外表年龄与真实年龄回归是否优于分别训练两项任务？
• RQ3 特定属性（如性别、表情、化妆）如何影响外表年龄与真实年龄估计？
• RQ4 模型能否预测男性或女性观察者对某张人脸的年龄感知？
• RQ5 观察者性别对外表年龄感知有何影响，且能否被有效建模？

主要发现

• 所提出的端到端模型优于使用单独训练策略的最先进基线方法。
• 当基于观察者性别预测外表年龄时，模型在男性观察者上的平均绝对误差（MAE）为 9.243，在女性观察者上为 9.758，表明对男性感知的预测精度略高。
• 将观察者性别作为输入提升了模型生成针对特定观察者外表年龄预测的能力，定性结果表明其与预期的性别感知差异保持一致。
• 结果表明，使用属性感知偏差建模的外表年龄预测，其真实年龄回归性能优于直接的真实年龄到真实年龄的回归，即使在包含属性的情况下也是如此。
• 结果表明观察者性别会影响外表年龄感知，且该效应可在深度学习框架中被有效捕捉与建模。
• 概念验证应用成功实现了基于观察者性别的外表年龄回归，验证了模型模拟人类感知偏差的能力。