[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)進行分布學習的人臉年齡估計方法

有效

• 申請?zhí)枺?/td>: 201810048361.1
• 申請日: 2018-01-18
• 公開（公告）號: CN108256482B
• 公開（公告）日: 2021-06-25
• 發(fā)明（設(shè)計）人: 潘虹宇;韓琥;張杰;山世光;陳熙霖
• 申請（專利權(quán)）人: 中科視拓（北京）科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)進行分布學習的人臉年齡估計方法，其特征在于：所述方法的整體步驟為：

步驟一、數(shù)據(jù)提取階段：利用現(xiàn)有的人臉檢測引擎對人臉RGB圖像進行人臉檢測和關(guān)鍵點定位；然后裁切出人臉區(qū)域?qū)⑷四槇D像保存為256×256像素大小，使多張人臉圖像組成年齡數(shù)據(jù)集；

步驟二、年齡數(shù)據(jù)集劃分：將年齡數(shù)據(jù)集按照80％作為訓練集、20％作為驗證集進行隨機劃分，保證同一個人的數(shù)據(jù)僅出現(xiàn)在一個集合中；

步驟三、年齡估計網(wǎng)絡(luò)結(jié)構(gòu)：采用含13個卷積層和3個全連接層的VGG-16網(wǎng)絡(luò)結(jié)構(gòu)作為年齡估計網(wǎng)絡(luò)模型；為了增加網(wǎng)絡(luò)高層特征的感受野，在第2個、第4個、第7個、第10個和第13個卷積層后連接一個MaxPooling層，最后一個全連接層后緊跟一個softmax層，softmax的輸出分別送入softmax loss層和mean-variance loss層中，用于分別計算softmax loss和mean-variance loss；

步驟四、年齡估計網(wǎng)絡(luò)訓練：在進行年齡數(shù)據(jù)集訓練之前，利用大規(guī)模數(shù)據(jù)對深度學習網(wǎng)絡(luò)模型進行預訓練，使得網(wǎng)絡(luò)模型具有識別能力；然后利用劃分得到的訓練集對網(wǎng)絡(luò)模型進行訓練；

步驟五、網(wǎng)絡(luò)調(diào)整：在網(wǎng)絡(luò)訓練過程中，使用softmax loss和mean-variance loss共同作為監(jiān)督信號對網(wǎng)絡(luò)進行調(diào)整，保證最終生成的概率分布的均值盡可能接近真實值，同時有著更小的方差；因此，將最終的損失函數(shù)loss表示為公式一；然后通過該損失函數(shù)對網(wǎng)絡(luò)模型進行步驟四中的預訓練；

其中，N是批處理的樣本個數(shù)；K是待估計的年齡類別；j、k分別表示第j類、第k類，都用于枚舉第1～K類；p是softmax層得到的輸出；p_i，j是第i個樣本為第j類的概率；y_i是真實年齡；是第i個樣本為第y_i類的概率；λ₁、λ₂是用于平衡softmax loss和mean-varianceloss的超參數(shù)，通過常規(guī)實驗得到；

步驟六、網(wǎng)絡(luò)測評：在深度學習網(wǎng)絡(luò)模型訓練完成后，選用年齡估計問題中常用的評測協(xié)議MAE作為驗證集的測試標準，對網(wǎng)絡(luò)模型進行測評，選出性能最好的模型；MAE的計算公式如下：

其中，y_i是真實年齡；是估計年齡；

步驟七、最后，單個樣本的估計年齡通過得到的概率p由公式三計算得到；

其中，r(·)是四舍五入函數(shù)；p_j是該樣本第j類的概率。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)進行分布學習的人臉年齡估計方法，其特征在于：所述步驟四中對深度學習網(wǎng)絡(luò)模型進行預訓練的具體方法為：先利用ImageNet數(shù)據(jù)集對網(wǎng)絡(luò)模型進行預訓練，使得預訓練后的深度學習網(wǎng)絡(luò)模型具有分類能力；再利用IMDB-WIKI數(shù)據(jù)集對網(wǎng)絡(luò)模型進行進一步預訓練，使得整個網(wǎng)絡(luò)具有年齡估計能力。