FlowDA: Unsupervised Domain Adaptive Framework for Optical Flow Estimation
Huazhong University of Science and Technology(华中科技大学)
FlowDA提出一种基于均值教师和课程学习的无监督域自适应框架,显著提升光流估计在真实场景中的性能。
2023-12-28 cs.CV
STaRFlow: A SpatioTemporal Recurrent Cell for Lightweight Multi-Frame Optical Flow Estimation
ONERA, Université Paris-Saclay(法国国家航空航天研究中心,巴黎萨克雷大学)
提出了一种基于CNN的轻量级多帧光流估计算法。我们的解决方案通过重复使用通用的“STaR”(时空递归)单元,在空间尺度和时间上引入了双重递归。它包括(i)基于传送学习特征而不是光流估计的时间递归;(ii)与光流估计耦合的遮挡检测过程,因此使用非常有限数量的额外参数。由此产生的STaRFlow算法在MPI Sintel和Kitti 2015上提供了最先进的性能,并且与具有可比结果的所有其他方法相比,所涉及的参数明显较少。
2020-07-10 cs.CV
Continual Occlusions and Optical Flow Estimation
Czech Technical University in Prague(布拉格捷克理工大学)
解决了两个光流估计问题:i)遮挡估计和处理,以及ii)来自长于两帧的图像序列的估计。所提出的ContinualFlow方法在流动之前估计遮挡,避免使用被遮挡破坏的流动进行估计。我们发现,提供遮挡掩模作为额外的输入流量估计提高了标准的性能指标超过25%的KITTI和Sintel。作为第二个贡献,一种新的方法,将信息从过去的帧到流量估计。先前的帧流用作遮挡估计的输入,并且用作遮挡区域(即,没有视觉对应的那些区域)中的先验。通过继续使用以前的帧流,ContinualFlow性能在KITTI上进一步提高了18%,在Sintel上提高了7%,在KITTI和Sintel上实现了最佳性能。
2018-11-05 cs.CV
PRAFlow_RVC: Pyramid Recurrent All-Pairs Field Transforms for Optical Flow Estimation in Robust Vision Challenge 2020
Northwestern Polytechnical University(西北工业大学)
光流估计是一项重要的计算机视觉任务,其目的是估计两帧图像之间的密集对应关系。RAFT(Recurrent All Pairs Field Transforms)是当前光流估计的最新技术。它具有良好的泛化能力,并在多个基准测试中取得了优异的成绩。为了进一步提高算法的鲁棒性,实现精确的光流估计,提出了基于金字塔网络结构的PRAFlow(Pyramid Recurrent All-Pairs Flow)算法。由于计算的限制,我们提出的网络结构只使用两个金字塔层。在每一层,RAFT单元用于估计当前分辨率下的光流。我们的模型在多个模拟和真实图像数据集上进行了训练,使用相同的模型和参数提交给多个排行榜,并在ECCV 2020研讨会的光流任务中获得第二名:鲁棒视觉挑战赛。
2020-09-14 cs.CV
Deep 360$^\circ$ Optical Flow Estimation Based on Multi-Projection Fusion
Victoria University of Wellington(惠灵顿维多利亚大学);Adobe Research(Adobe研究院)
光流计算在视频处理流水线的早期阶段是必不可少的。本文重点讨论了这一领域中较少探索的问题,即使用深度神经网络进行360 $^\circ$光流估计,以支持日益流行的VR应用。为了解决应用卷积神经网络时全景表示的失真问题,我们提出了一种新的多投影融合框架,该框架融合了使用不同投影方法训练的模型预测的光流。它学习组合不同投影下的光流结果中的互补信息。我们还建立了第一个大规模的全景光流数据集,以支持神经网络的训练和全景光流估计方法的评估。在我们数据集上的实验结果表明,我们的方法优于现有方法和其他为处理360°内容而开发的替代深度网络。
2022-07-27 cs.CV
STC-Flow: Spatio-temporal Context-aware Optical Flow Estimation
在本文中,我们提出了一个时空上下文网络,STC流,光流估计。与以往的局部金字塔特征提取和多级相关的光流估计方法不同,我们提出了一个上下文关系探索架构,通过捕获丰富的空间和时间维度的长程依赖关系。具体来说,STC-Flow包含三个关键上下文模块--金字塔空间上下文模块、时间上下文相关模块和递归残差上下文上采样模块,分别在特征提取、相关和流重构的各个阶段建立关联。实验结果表明,该方法在Sintel数据集和KITTI 2012/2015数据集上均达到了基于两帧的方法的最佳性能.
2020-11-03 cs.CV
A Framework for Real-Time Face and Facial Feature Tracking using Optical Flow Pre-estimation and Template Tracking
LIACS, Leiden University(莱顿大学LIACS(莱顿高级计算机科学研究所))
这项工作提出了一个框架,用于跟踪头部运动和捕捉运动的嘴和两个眉毛在实时的【形】。我们提出了一个头部跟踪器,这是一个组合的光流和基于模板的跟踪器。光流头部跟踪器的估计被用作微调头部估计的模板跟踪器的起始点。该方法与重新更新光流点一起防止头部跟踪器漂移。这种结合与我们的切换方案,使我们的跟踪器非常强大的快速运动和运动模糊。我们还提出了一种方法来减少头部部分遮挡的影响。在光流和基于模板的跟踪器中,我们识别并排除遮挡点。
2010-12-31 cs.CV
Occlusions, Motion and Depth Boundaries with a Generic Network for Disparity, Optical Flow or Scene Flow Estimation
University of Freiburg(弗莱堡大学)
遮挡在视差和光流估计中起着重要作用,因为在遮挡区域中匹配成本不可用,并且遮挡指示深度或运动边界。此外,遮挡是相关的运动分割和场景流估计。在本文中,我们提出了一个有效的基于学习的方法来估计遮挡面积联合视差或光流。估计的遮挡和运动边界明显改善了最先进的水平。此外,我们提出的网络与流行的KITTI基准和良好的通用性能的最先进的性能。利用估计的遮挡,我们还显示了改进的运动分割和场景流估计的结果。
2018-08-08 cs.CV
Layered Optical Flow Estimation Using a Deep Neural Network with a Soft Mask
Illinois Institute of Technology(伊利诺伊理工学院)
使用分层表示进行运动估计具有能够处理不连续性和遮挡的优点。在本文中,我们学习通过将分层运动表示与深度学习相结合来估计光流。代替预先分割的图像层,所提出的方法自动生成一个分层表示的光流使用建议的软掩模模块。软掩模模块的基本组成部分是最大输出和融合操作,这使得光流的不相交分层表示和更准确的流量估计。我们表明,通过使用掩码的运动估计结果在输出层的输入功能的二次函数。所提出的软掩模模块可以添加到任何现有的光流估计网络,通过替换它们的流输出层。在这项工作中,我们使用FlowNet作为基础网络,我们添加软掩码模块。由此产生的网络进行了测试,在三个著名的基准与监督和无监督的流量估计任务。评价结果表明,与原FlowNet相比,该网络取得了更好的效果。
2018-05-09 cs.CV
Optical Flow-based 3D Human Motion Estimation from Monocular Video
TU Braunschweig(不伦瑞克工业大学)
我们提出了一种生成的方法来估计三维人体运动和身体形状从单目视频。假设从一个初始姿态开始的光流约束随后的人体运动,我们利用流找到时间上相干的人体姿势的运动序列。我们估计人体运动计算流场和人工流渲染器的输出之间的差异最小化。需要单个初始化步骤来估计多个帧上的运动。几个正则化函数随着时间的推移增强了鲁棒性。我们的测试场景表明,光流有效地规范了单目视频中人体形状和运动估计的欠约束问题。
2017-03-21 cs.CV
Optical Flow Estimation in 360$^\circ$ Videos: Dataset, Model and Application
Illinois Tech(伊利诺伊理工学院);Texas State University(德克萨斯州立大学);Tesla Inc(特斯拉公司);Cisco Research(思科研究院)
光流估计一直是计算机视觉领域中一个长期存在的基本问题。然而,尽管透视视频中的光流估计取得了进展,但360 $^\circ$视频对应物仍处于起步阶段,这主要是由于基准数据集的短缺以及未能适应360 $^\circ$视频的全向性质。我们提出了第一个感知逼真的360 $^\circ$视野视频基准数据集,即FLOW 360,具有40个不同的视频和4,000个视频帧。然后,我们进行全面的特征分析和广泛的比较与现有的数据集,体现FLOW 360的感知现实主义,独特性和多样性。此外,我们提出了一种新的连体表示学习框架的全向流(SLOF)估计,这是通过一个混合的损失,结合连体对比和光流损失的对比方式进行训练。通过对输入全向帧的随机旋转训练模型,我们提出的对比方案适应了360 $^\circ$视频中光流估计的全向性质,从而显著降低了预测误差。通过将我们的连体学习方案和全向光流估计扩展到以自我为中心的活动识别任务,进一步证明了学习方案是有效的,其中分类准确率提高到$\sim$ 26%。综上所述,我们从基准数据集、学习模型和实际应用的角度研究了360 $^\circ$视频中的光流估计问题。FLOW 360数据集和代码可在https://siamlof.github.io上获得。
2023-01-27 cs.CV
Joint Self-supervised Depth and Optical Flow Estimation towards Dynamic Objects
Jiangnan University(江南大学)
针对帧间监督深度估计中动态物体的不确定性问题,提出深度与光流联合估计框架,通过自适应运动分割、独立预测合成深度及重合成光流计算误差,在相关数据集上取得更优或有竞争力的性能。
2023-09-07 cs.CV eess.IV
MVFlow: Deep Optical Flow Estimation of Compressed Videos with Motion Vector Prior
Fudan University(复旦大学)
针对压缩视频光流估计忽略压缩信息的问题,提出利用运动矢量先验的MVFlow模型,通过Motion-Vector Converting Module将运动矢量转换至光流域,并构建四个相关数据集,在降低1.09 AEPE或节省52%时间上展现了优越性。
2023-08-04 cs.CV
Comparison of Optimization Methods in Optical Flow Estimation
Carnegie Mellon University(卡内基梅隆大学)
光流估计是计算机视觉中一个广为人知的问题,由Gibson,J.J(1950)引入来描述人对刺激物体的视觉感知。光流模型的估计可以通过求解不同时间轴上感兴趣区域的运动矢量来实现。本文假定相邻两帧之间的速度变化是均匀的,用传统的Lucas-Kanade(1981)方法求解光流问题。该方法执行模板和翘曲回到模板上的目标帧之间的误差的最小化。求解最小化步骤需要具有不同收敛速度和误差的优化方法。我们探讨了一阶和二阶优化方法,并将其结果与Lucas-Kanade的Gauss-Newton方法进行了比较。我们通过合成对象生成了105个10,500帧的视频,并从真实世界的镜头中生成了10个1,000帧的视频。我们的实验结果可以作为Lucas-Kanade方法的调整参数。
2016-05-02 cs.CV
Full Flow: Optical Flow Estimation By Global Optimization over Regular Grids
Stanford University(斯坦福大学);Intel Labs(英特尔实验室)
提出了一种全局优化的光流估计方法。该方法优化了一个经典的光流目标在整个空间的离散网格之间的映射。不使用描述符匹配。映射空间的高度规则结构使得能够进行优化,从而将算法的内部循环的计算复杂性从二次降低到线性,并且支持数万个节点到数万个位移的有效匹配。我们表明,一个经典的霍恩-Schunck型目标在规则的网格在一个单一的分辨率的一次全局优化是足够的初始化连续插值和实现最先进的性能具有挑战性的现代基准。
2016-04-12 cs.CV
On Optical Flow Models for Variational Motion Estimation
本文探讨了基于总变分的正则化方法在运动估计中的应用,重点分析了光学流模型的不同变体及优化方法,并提出通过反问题视角评估运动估计质量的框架。
2015-12-01 cs.CV cs.NA math.NA
Integrated Age Estimation Mechanism
Chongqing University(重庆大学)
基于机器学习的年龄估计受到了广泛的关注。传统的年龄估计机制关注的是估计年龄误差,而忽略了由于疾病导致的估计年龄与实际年龄之间的偏差。作者提出的病理年龄估计机制引入了年龄偏差来解决上述问题,显著提高了估计年龄的分类能力。但该方法没有考虑正常对照组的年龄估计误差,导致正常对照组的年龄估计值与实际年龄之间存在较大误差。为此,提出了一种基于决策级融合误差和偏差定向模型的综合年龄估计机制,首先对传统年龄估计机制和病理年龄估计机制进行加权,然后通过最小化估计年龄与正常人实际年龄之间的平均绝对误差(MAE)得到它们的最优权值.在实验部分,几个代表性的年龄相关的数据集用于验证所提出的方法。实验结果表明,该年龄估计机制取得了较好的年龄估计折衷效果。它不仅提高了估计年龄的分类能力,而且减少了NC组的年龄估计误差。总体而言,所提出的年龄估计机制是有效的。此外,该机制是一个框架机制,可以用来构建不同的具体的年龄估计算法,有助于相关的研究。
2021-03-11 cs.AI cs.CV cs.LG
Chronological age estimation of lateral cephalometric radiographs with deep learning
Xidian University(西安电子科技大学)
传统的人工年龄估计方法是基于多种X射线图像的关键劳动。目前的一些研究表明,侧位头影测量(LC)图像可用于估计年龄。然而,这些方法是基于手动测量一些图像特征,并根据经验或评分进行年龄估计。因此,这些方法费时费力,效果会受到主观意见的影响。在这项工作中,我们提出了一个显着图增强的年龄估计方法,它可以自动进行年龄估计的基础上LC图像。同时,它还可以显示图像中每个区域的年龄估计的重要性,这无疑增加了该方法的可解释性。我们的方法进行了测试,从4岁到40岁的3014 LC图像。实验结果的MEA为1.250,低于最先进基准的结果,因为它在数据较少的年龄组中表现得更好。此外,我们的模型在LC图像中对年龄估计贡献较大的每个区域进行训练,因此这些不同区域对年龄估计任务的影响得到了验证。因此,我们得出结论,提出的显着图增强的实际年龄估计方法的侧位头影测量X线片可以很好地工作在实际年龄估计任务,特别是当数据量很小。此外,与传统的深度学习相比,我们的方法也是可解释的。
2021-12-07 cs.CV cs.LG eess.IV
Improving Borderline Adulthood Facial Age Estimation through Ensemble Learning
University College Dublin(都柏林大学学院);Florida Atlantic University(佛罗里达大西洋大学)
对于处于成年和非成年之间的边缘的受试者,实现面部年龄估计的高性能一直是一个挑战。几项研究使用了从婴儿到老年人的不同方法,并使用了不同的数据集来测量1.47至8岁的平均绝对误差(MAE)。该算法的弱点,特别是在边界一直是本文的动机。在我们的方法中,我们开发了一种集成技术,结合我们的深度学习模型(DS13 K),提高了未成年人估计的准确性,该模型已在深度期望(DEX)模型上进行了微调。对于16至17岁的年龄组,我们的准确率达到了68%,比DEX在该年龄段的准确率高4倍。我们还对现有的基于云的离线面部年龄预测服务进行了评估,例如Amazon Rekognition,Microsoft Azure Cognitive Services,How-Old.net和DEX。
2019-07-02 cs.CV cs.LG
Noise-Tolerance GPU-based Age Estimation Using ResNet-50
Vali-e-Asr University of Rafsanjan(拉夫桑詹瓦利埃阿斯尔大学);Tallinn University of Technology(塔林理工大学)
本研究在UTKFace数据集上实现基于ResNet-50的GPU年龄估计方法,MAE相较近期工作降低28.3%、相较AlexNet降低71.39%,且在5倍正常环境噪声下性能下降不足1.5%,具备强抗噪性。
2023-04-26 cs.CV cs.LG
using multiple losses for accurate facial age estimation
Tampere University(坦佩雷大学)
年龄估计是计算机视觉中的一个重要挑战。随着卷积神经网络的发展,年龄估计的性能得到了极大的提高。现有的方法通常把年龄估计作为一个分类问题。然而,年龄标签是模糊的,从而使分类任务变得困难。在本文中,我们提出了一个简单而有效的方法进行年龄估计,提高了性能相比,基于分类的方法。该方法将四个分类损失和一个回归损失结合在一起,代表不同的类粒度,我们称之为粒度网络。我们在CVPR Chalearn 2016数据集上验证了粒度网络框架,广泛的实验表明,与任何单个损失相比,所提出的方法可以减少预测误差。源代码链接是https://github.com/yipersevere/age-estimation。
2021-06-17 cs.CV
OTFPF: Optimal Transport-Based Feature Pyramid Fusion Network for Brain Age Estimation with 3D Overlapped ConvNeXt
Arizona State University(亚利桑那州立大学);Zhejiang University(浙江大学);University of Notre Dame(圣母大学)
利用深度神经网络可以从T1加权磁共振图像(T1 MRI)中预测健康大脑的年龄,预测的大脑年龄可以作为检测衰老相关疾病或障碍的有效生物标志物。在本文中,我们提出了一个端到端的神经网络架构,称为最佳传输的特征金字塔融合(OTFPF)网络,与T1 MRI的脑年龄估计。OTFPF由三种类型的模块组成:基于最优传输的特征金字塔融合(OTFPF)模块,3D重叠ConvNeXt(3D OL-ConvNeXt)模块和融合模块。这些模块加强了OTFPF网络对每个大脑的半多模态和多级特征金字塔信息的理解,并显着提高了其估计性能。与最近的国家的最先进的模型相比,建议的OTFPF收敛速度更快,性能更好。对11,728例3-97岁MRI的实验表明,OTFPF网络可以提供准确的脑年龄估计,估计年龄和实际年龄之间的平均绝对误差(MAE)为2.097,Pearson相关系数(PCC)为0.993,Spearman等级相关系数(SRCC)为0.989。大量的定量实验和烧蚀实验证明了OTFPF网络的优越性和合理性。最终决定后,代码和实现细节将在GitHub上发布:https://github.com/ZJU-Brain/OTFPF。
2022-05-11 cs.CV cs.LG
Triamese-ViT: A 3D-Aware Method for Robust Brain Age Estimation from MRIs
Lancaster University(兰卡斯特大学)
本文提出Triamese-ViT,通过融合三个方向的ViT捕获3D信息并生成类3D注意力图,在1351例MRI上显著提升脑龄估计精度与可解释性。
2024-01-13 cs.CV cs.LG
Disentangling Model and Human Data Uncertainty in Apparent Facial Age Estimation
Bernoulli Institute, University of Groningen(格罗宁根大学伯努利研究所)
研究表观面部年龄估计中模型与人类数据的不确定性,利用APPA - REAL数据集,通过三种贝叶斯神经网络近似方法训练模型,可输出预测年龄及两种不确定性量,证实不同来源不确定性可量化。
2026-07-21 cs.CV cs.LG
Organ-based Chronological Age Estimation based on 3D MRI Scans
University of Stuttgart(斯图加特大学);University of Tübingen(图宾根大学);King’s College London(伦敦国王学院)
个体的年龄不同取决于许多不同的因素,如生活方式,病史和遗传学。通常,全球实际年龄并不代表真正的老化过程。基于器官的年龄估计将产生更准确的健康状态评估。在这项工作中,我们提出了一种新的深度学习架构,用于基于磁共振图像(MRI)的器官年龄估计。所提出的网络是一个3D卷积神经网络(CNN),通过混合利用inception和fire模块,可以增加深度和宽度。我们将所提出的框架应用于大脑和膝盖年龄估计的任务。对并发的基于MR的回归网络和不同的2D和3D数据馈送策略的定量比较说明了所提出的工作的优越性能。
2020-03-03 cs.CV cs.LG eess.IV
Hierarchical Attention-based Age Estimation and Bias Estimation
Bar Ilan University(巴伊兰大学)
提出一种结合注意力双重增强聚合与概率分层回归的人脸年龄估计方法,在 MORPH II 上达到新的最先进准确率,并分析估计偏差。
2023-09-27 cs.CV
An Overview of Two Age Synthesis and Estimation Techniques
School of Computer Science and Engineering, Nanjing University of Science and Technology(南京理工大学计算机科学与工程学院)
年龄估计是一种用于从数字面部图像预测人类年龄的技术,其分析人的面部图像并基于年度量来估计他/她的年龄。目前,智能年龄估计和年龄合成已成为计算机视觉和人脸验证系统中特别热门的研究课题。年龄合成被定义为在人的面部上美学地呈现具有恢复活力和自然衰老效果的面部图像。年龄估计被定义为自动标记面部图像的年龄组(年龄范围)或人的面部的确切年龄(年龄)。在这个案例研究中,我们概述了现有的模型,流行的技术,系统性能,以及与基于面部图像的年龄合成和估计主题相关的技术挑战。这篇评论的主要目标是通过系统的讨论提供一个容易理解的和有希望的未来方向。
2020-01-26 cs.CV
Soft-ranking Label Encoding for Robust Facial Age Estimation
South China University of Technology(华南理工大学);Nanyang Technological University(南洋理工大学);University of Sydney(悉尼大学)
自动面部年龄估计可用于广泛的现实世界应用中。然而,由于老化过程的随机性和缓慢性,该过程具有挑战性。因此,在本文中,我们提出了一个全面的框架,旨在克服与面部年龄估计相关的挑战。首先,我们提出了一种新的年龄编码方法,称为“软排名”,它编码了面部年龄的两个重要属性,即,序性和相邻年龄之间的相关性。因此,软排名为训练深度模型提供了更丰富的监督信号。此外,我们还仔细分析了现有的年龄估计评估协议,发现训练集和测试集之间的身份重叠会影响不同年龄编码方法的相对性能。最后,由于现有的用于年龄估计的人脸数据库通常很小,因此深度模型往往会遇到过拟合问题。为了解决这个问题,我们提出了一种新的正则化策略,以鼓励深度模型从面部部位学习更鲁棒的特征,用于年龄估计。大量的实验表明,所提出的技术提高了年龄估计性能;此外,我们在三个最流行的年龄数据库$i.e.$,Morph II,CLAP 2015和CLAP 2016上实现了最先进的性能。
2019-06-09 cs.CV
Facial Information Analysis Technology for Gender and Age Estimation
KyungPook National University(庆北国立大学);University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
这是对用于估计性别和年龄的面部信息分析技术的研究,并且使用相机坐标系和用于估计面部图像的姿势的世界坐标系之间的变换关系矩阵来估计姿势。与年龄估计相比,性别分类相对简单,并且使用基于深度学习的面部识别技术使年龄估计成为可能。提出了一种比较性的CNN,使用购买的数据库和公共数据库计算实验结果,基于深度学习的性别分类和年龄估计在显著水平上进行,与现有的机器学习技术相比,对环境变化更鲁棒。
2021-11-17 cs.CV
A Unified Gender-Aware Age Estimation
Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
由于年龄估计在安全监控、广告推荐等领域具有广泛的应用前景,因此其研究越来越受到人们的重视。虽然已经提出了各种各样的方法,但大多数方法只关注特定年龄的面部外观。然而,生物学研究表明,不仅性别,男女之间的年龄差异也不可避免地影响年龄估计。据我们所知,到目前为止,有两种方法涉及性别因素。第一种是顺序方法,首先对性别进行分类,然后对分类后的男性和女性分别进行年龄估计。虽然它提高了年龄估计性能,因为它的性别语义差异的考虑,估计错误的累积风险是不可避免的。为了克服顺序策略的缺点,第二种方法是使用偏最小二乘法(PLS)将附加有性别的年龄标签连接为二维的输出,从而回归年龄。虽然导致年龄估计性能的提升,但这样的级联不仅可能混淆性别和年龄之间的语义,而且还忽略了男性和女性之间的年龄差异。为了克服他们的缺点,在本文中,我们提出了一个统一的框架来执行性别意识的年龄估计。该方法不仅考虑和利用了性别和年龄之间的语义关系,而且还考虑了男性和女性之间的年龄差异。最后,实验结果表明,我们的方法不仅在性能上的优越性,但它在揭示老化差异的良好的解释性。
2016-09-13 cs.CV
Relative Age Estimation Using Face Images
Faculty of Engineering, Bar Ilan University(巴伊兰大学工程学院)
本文提出一种基于参考人脸库和差分回归的相对年龄估计方法,通过年龄增强迭代细化初始估计,在MORPH II和CACD数据集上达到最先进精度,并分析了现有年龄估计技术的偏差。
2025-02-07 cs.CV
Deep Learning-Based Age Estimation and Gender Deep Learning-Based Age Estimation and Gender Classification for Targeted Advertisement
COMSATS University Islamabad(伊斯兰堡COMSATS大学);University of Engineering and Technology Lahore(拉合尔工程技术大学)
本文提出多任务定制CNN,从人脸图像联合估计年龄与性别,以服务定向广告;在多样数据集上取得95%性别分类准确率和5.77年年龄MAE,并分析年轻群体误差及架构影响。
2025-07-24 cs.CV
FOSS: Multi-Person Age Estimation with Focusing on Objects and Still Seeing Surroundings
The University of Tokyo(东京大学);BTC Corporation(BTC公司)
从图像中估计年龄可以用于许多实际场景。以往的大多数工作都是针对只有一张人脸的图像进行估计。此外,大多数用于年龄估计的开放数据集都包含这样的图像。然而,在某些情况下,需要在野外和多人的年龄估计。通常,这种情况是由两个独立的模型来解决的;一个是面部检测器模型,它裁剪面部区域,另一个是年龄估计模型,它从裁剪的图像中进行估计。在这项工作中,我们提出了一种方法,可以检测和估计多人的年龄与一个单一的模型,估计年龄与关注的面孔和仍然看到周围环境。此外,我们提出了一种训练方法,使模型能够很好地估计多人,尽管训练的图像中只有一个人的脸被拍摄。在实验中,我们评估我们提出的方法相比,传统的方法,使用两个单独的模型。因此,我们提出的方法可以提高精度。我们还将我们提出的模型适用于常用的单人照片年龄估计数据集,并证明我们的方法对这些图像也是有效的,并且优于最先进的准确性。
2021-02-19 cs.CV
Deep Convolutional Neural Network for Age Estimation based on VGG-Face Model
University of Bridgeport(桥港大学)
从真实世界和无约束的人脸图像中自动估计年龄正迅速变得重要。在我们提出的工作中,一个深度的CNN模型,在一个数据库上训练的人脸识别任务是用来估计Adience数据库上的年龄信息。本文在这一领域有三个重要贡献。(1)本文的工作证明了一个经过人脸识别训练的CNN模型可以用于年龄估计以提高性能:(2)在人脸识别任务中使用一个经过预训练的CNN模型可以克服过拟合问题;(3)不仅训练图像的数量和训练数据库中的对象的数量影响年龄估计模型的性能,而且所采用的CNN的预训练任务决定了模型的性能。
2017-09-06 cs.CV
Mini-DDSM: Mammography-based Automatic Age Estimation
Blekinge Institute of Technology(布莱金厄理工学院)
年龄估计因其各种医学应用而受到关注。从生物医学图像中估计人类年龄的研究很多。然而,据我们所知,还没有关于乳房X线照片用于年龄估计的研究。本研究的目的是设计一个基于人工智能的模型,用于从乳房X光照片图像中估计年龄。由于缺乏具有年龄属性的公共乳腺X射线摄影数据集,我们采用网络爬虫从公共数据集下载缩略乳腺X射线摄影图像及其年龄字段;筛查乳腺X射线摄影数字数据库。不幸的是,这个数据集中的原始图像只能通过一个坏了的软件来检索。随后,我们从收集的数据集中提取深度学习特征,通过该特征,我们建立了一个使用随机森林回归量的模型来自动估计年龄。使用平均绝对误差值测量性能评估。10次随机抽样测试的平均误差值约为8年。在本文中,我们展示了这种方法的优点,以填补缺失的年龄值。我们在另一个独立的数据集上运行逻辑和线性回归模型,以进一步验证我们所提出的工作的优势。本文还介绍了自由访问的Mini-DDSM数据集。
2020-11-24 cs.CV cs.LG eess.IV
FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in the Wild
Imperial College London(帝国理工学院)
基于图像的年龄估计旨在从面部图像中预测人的年龄。它被用于各种实际应用中。尽管端到端深度模型在基准数据集上的年龄估计方面取得了令人印象深刻的结果,但由于头部姿势、面部表情和遮挡的巨大变化所带来的挑战,它们在野外的性能仍有很大的改进空间。为了解决这个问题,我们提出了一种简单而有效的方法来明确地将面部语义纳入年龄估计,以便模型能够正确地关注未对齐面部图像中信息量最大的面部组件,而不管头部姿势和非刚性变形。为此,我们设计了一个基于人脸解析的网络来学习不同尺度的语义信息,并设计了一个新的人脸解析注意力模块来利用这些语义特征进行年龄估计。为了在野外数据上评估我们的方法,我们还引入了一个新的具有挑战性的大规模基准测试,称为IMDB-Clean。该数据集是通过使用约束聚类方法半自动清理嘈杂的IMDB-WIKI数据集创建的。通过在IMDB-Clean和其他基准数据集上的综合实验,在数据集内和跨数据集评估协议下,我们表明我们的方法始终优于所有现有的年龄估计方法,并实现了新的最先进的性能。据我们所知,我们的工作提出了第一次尝试利用人脸解析注意力来实现语义感知的年龄估计,这可能会启发其他高层次的面部分析任务。代码和数据可在\url{https://github.com/ibug-group/fpage}上获得。
2022-03-04 cs.CV
Estimating sex and age for forensic applications using machine learning based on facial measurements from frontal cephalometric landmarks
University of Brasilia(巴西利亚大学);Federal University of Maranhao(马拉尼昂联邦大学);KU Leuven(鲁汶大学);National Institute of Criminalistics(国家刑事科学研究所);Brazilian Federal Police(巴西联邦警察)
面部分析允许许多调查,其中一些最重要的是颅面识别,面部识别,年龄和性别估计。在法医学中,照片人体测量学描述了面部生长的研究,并允许通过使用一组头影测量标志来估计人类学信息来识别面部头骨发育的模式。在一些领域,人工程序的自动化已经取得了优势和类似的测量信心作为一个法医专家。这份手稿提出了一种方法,使用照片人体测量指数,从正面的头影测量地标,创建一个人工神经网络分类器,允许估计人类学信息,在这种特定情况下的年龄和性别。本研究的主要工作包括四个方面:(1)5 - 22岁年龄段的性别估计,评估年龄对性别估计的干扰;(2)四个年龄段的光人体测量指标的年龄估计(1岁、2岁、4岁和5岁); iii)14岁以上和18岁以上阈值的年龄组估计;以及㈣提供一个新的数据集,仅用于学术目的,其中有一个由法医专家标记和检查的大型完整的面部照片人体测量点集,这些点是在过去四年中从巴西18 000多张面孔中测量出来的。该分类器对14岁以上个体的性别估计取得了显著的效果,F_1测度的准确率大于0.85。对于年龄估计,对于年龄间隔为5年的测量,准确度结果为0.72。对于年龄组估计,14岁和18岁阈值的准确度分别大于0.93和0.83。
2019-08-06 cs.AI cs.CV cs.LG
LAE : Long-tailed Age Estimation
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Baidu Research(百度研究院);National Engineering Laboratory for Deep Learning Technology and Application(深度学习技术及应用国家工程实验室);Centre for Artificial Intelligence and Robotics, Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences(中国科学院香港创新研究院人工智能与机器人创新中心)
人脸年龄估计是计算机视觉中一个重要而又极具挑战性的问题。为了提高人脸年龄估计的性能,本文首先建立了一个简单的标准基线,然后通过收集预训练、数据增强、模型构建等技巧,建立了一个更强的基线,与标准基线相比,该基线显著降低了估计误差。此外,长尾识别一直是面部年龄数据集中的一个重要课题,其中老年人和儿童的样本往往缺乏。为了训练均衡年龄估计器,提出了一种两阶段的训练方法--长尾年龄估计(Long-tailed Age Estimation,LAE),将学习过程分为表示学习和分类两个阶段。我们的方法的有效性已在Guess The Age Contest 2021的组织者提供的数据集上得到证明。
2021-10-25 cs.CV
Facial age estimation by deep residual decision making
残差表示学习简化了学习复杂函数的优化问题,已被传统的卷积神经网络广泛应用。然而,它还没有被应用于深度神经决策森林(NDF)。在本文中,我们将残差学习纳入NDF,由此产生的模型在三个公共年龄估计基准上达到了最先进的精度水平,同时需要更少的内存和计算。我们进一步采用基于梯度的技术来可视化NDF的决策过程,并了解它是如何受到面部图像输入的影响。代码和预训练模型将在https://github.com/Nicholasli1995/VisualizingNDF上提供。
2019-08-28 cs.CV cs.LG eess.IV
Fine-Grained Age Estimation in the wild with Attention LSTM Networks
North China Electric Power University(华北电力大学);University of Missouri(密苏里大学)
基于单幅人脸图像的年龄估计是人机交互和计算机视觉领域的一个重要研究课题,具有广泛的实际应用价值。现有的人脸图像年龄估计方法只考虑了全局特征,而忽略了年龄敏感区域的细粒度特征,因此在野外人脸图像年龄估计中精度较低。受细粒度分类和视觉注意力机制的启发,我们提出了一种基于我们的注意力长短期记忆(AL)网络的细粒度年龄估计方法。该方法将残差网络(ResNets)或残差网络模型的残差网络(RoR)与LSTM单元相结合,构建AL-ResNets或AL-RoR网络,提取年龄敏感区域的局部特征,有效提高了年龄估计精度。首先,选择在ImageNet数据集上预训练的ResNets或RoR模型作为基本模型,然后在IMDB-WIKI-101数据集上进行微调以进行年龄估计。然后,我们在目标年龄数据集上微调ResNets或RoR,以提取人脸图像的全局特征。为了提取年龄敏感区域的局部特征,然后提出LSTM单元来自动获得年龄敏感区域的坐标。最后,直接在Adience数据集上进行年龄组分类,并在MORPH Album 2,FG-NET和15/16 m2数据集上使用Deep Expectation算法(DEX)进行年龄回归实验。通过结合全局和局部特征,我们得到我们最终的预测结果。实验结果表明,所提出的AL-ResNets或AL-RoR的有效性和鲁棒性的年龄估计在野外,其中它实现了更好的最先进的性能比所有其他卷积神经网…
2019-08-15 cs.CV
A Coupled Evolutionary Network for Age Estimation
National Laboratory of Pattern Recognition, CASIA(中国科学院自动化研究所模式识别国家重点实验室);Center for Research on Intelligent Perception and Computing, CASIA(中国科学院自动化研究所智能感知与计算研究中心);University of Chinese Academy of Sciences(中国科学院大学)
由于缺乏训练数据和不同人的老化机制不同,未知人的年龄估计是一个具有挑战性的模式分析任务。基于标签分布学习的方法通常会做出分布假设以简化年龄估计。然而,年龄标签分布往往是复杂的,难以以参数的方式建模。受生物进化机制的启发,我们提出了一种耦合进化网络(CEN),它包含两个并行的进化过程:进化标签分布学习和进化松弛回归。进化网络以迭代学习的方式学习和细化年龄标签分布。进化标签分布学习自适应地学习和不断地改进年龄标签分布,而不对分布模式做出强有力的假设。为了进一步利用年龄标签的有序性和连续性信息,提出了一种进化松弛回归方法,将离散的年龄标签回归转化为连续的年龄区间回归。在Morph、ChaLearn 15和Mega-Asian数据集上的实验结果表明了该方法的优越性。
2018-09-20 cs.CV
Assessing the Influencing Factors on the Accuracy of Underage Facial Age Estimation
University College Dublin(都柏林大学学院)
对发现濒危未成年人的迅速反应是执法部门持续关注的问题。许多以儿童为中心的调查取决于数字证据的发现和分析。需要自动年龄估计技术来帮助这些调查,以加快证据发现过程,并减少调查人员接触创伤材料。自动化技术也显示出减少从越来越多的设备和在线服务中获得的证据积压的希望。长期以来,缺乏足够的训练数据加上自然的人类差异一直阻碍着准确的自动年龄估计-特别是对于未成年人。本文对两种云年龄估计服务(Amazon Web Service的Rekognition服务和Microsoft Azure的Face API)的性能进行了全面评估,针对超过21,800名未成年受试者的数据集。这项工作的目的是评估某些人类生物特征因素,面部表情和图像质量(即模糊,噪声,曝光和分辨率)对自动年龄估计服务结果的影响。一个彻底的评估,使我们能够确定最有影响力的因素,以克服在未来的年龄估计系统。
2020-12-02 cs.CV
Overcoming Occlusions in the Wild: A Multi-Task Age Head Approach to Age Estimation
Universidad de León(莱昂大学)
本文提出一种结合GAN和Transformer的多任务年龄头方法,用于在遮挡情况下更准确地估计年龄。
2025-06-16 cs.CV eess.IV
Fusion Network for Face-based Age Estimation
The University of Warwick(华威大学);University of Bath(巴斯大学);Charles Sturt University(查尔斯史都华大学)
卷积神经网络(CNN)作为核心框架已被应用于年龄相关的研究。虽然人脸由许多面部属性组成,但大多数使用CNN的作品仍然将人脸视为典型对象,并且没有足够关注携带特定年龄特征的面部区域。在本文中,我们提出了一种新的CNN架构称为融合网络(FusionNet)来解决年龄估计问题。除了整个面部图像外,FusionNet还连续将几个特定年龄的面部斑块作为输入的一部分,以强调特定年龄的特征。通过实验,我们表明,FusionNet显着优于其他国家的最先进的模型在MORPH II基准。
2018-07-27 cs.CV
C3AE: Exploring the Limits of Compact Model for Age Estimation
University of Electronic Science Technology of China(中国电子科技大学);Megvii Technology(旷视科技);National University of Singapore(新加坡国立大学)
年龄估计是计算机视觉中的一个经典学习问题。已经提出了许多更大更深的CNN,它们具有很好的性能,例如AlexNet,VggNet,GoogLeNet和ResNet。然而,这些模型对于嵌入式/移动设备是不实用的。最近,MobileNets和ShuffleNets被提出来减少参数的数量,产生轻量级模型。然而,由于采用了深度可分离卷积,它们的表示被削弱了。在这项工作中,我们研究了紧凑模型的限制,小规模的图像,并提出了一个非常紧凑而有效的级联上下文为基础的年龄估计模型(C3 AE)。与MobileNets/ShuffleNets和VggNet相比,该模型的参数仅为1/9和1/2000,同时具有竞争力的性能。特别地,我们重新定义了年龄估计问题的两点表示,这是由级联模型实现。此外,为了充分利用人脸背景信息,提出了多分支CNN网络来聚合多尺度背景。在三个年龄估计数据集上进行了实验。紧凑型的最先进的性能已经实现了相对较大的利润。
2019-04-11 cs.CV
Applying Artificial Intelligence for Age Estimation in Digital Forensic Investigations
University of Warwick(华威大学)
儿童性虐待和性剥削(CSAE)受害者的精确年龄估计是最重要的数字法医挑战之一。调查人员通常需要通过查看图像和解释性发育阶段和其他人类特征来确定受害者的年龄。主要优先事项-保护儿童-往往受到法医工作大量积压、认知偏见和这项工作可能带来的巨大心理压力的不利影响。本文评估了现有的面部图像数据集,并提出了一个新的数据集,适合类似的数字法医研究的贡献的需求。这个由0至20岁的个体组成的小而多样的数据集包含245张图像,并与来自FG-NET数据集的82张独特图像合并,从而获得了总共327张图像,具有高图像多样性和低年龄范围密度。新数据集在IMDB-WIKI数据集上预训练的深度预期(DEX)算法上进行测试。10至15岁青少年和16至20岁青少年/成人的总体结果非常令人鼓舞-MAE低至1.79,但也表明0至10岁儿童的准确性需要进一步研究。为了确定原型的有效性,四个数字法医专家,包括两名法医调查员的宝贵投入,已被考虑到,以改善年龄估计结果。需要进一步的研究,以扩大数据集的图像密度和平等分布的因素,如性别和种族多样性。
2022-01-09 cs.CR cs.CV cs.LG
Adversarial Regression Learning for Bone Age Estimation
Lehigh University(利哈伊大学)
从手片中估计骨龄对于确定骨龄诊断内分泌疾病和描述儿童生长状况是必不可少的。然而,现有的自动化方法只将其模型应用于测试图像,而没有考虑训练样本和测试样本之间的差异,这将导致泛化能力较低。在本文中,我们提出了一个对抗性回归学习网络(ARLNet)的骨龄估计。具体来说,我们首先从微调的Inception V3神经网络中提取骨骼特征,并提出回归百分比损失进行训练。为了减少训练数据和测试数据之间的差异,我们提出了对抗性回归损失和特征重建损失,以保证从训练数据到测试数据的过渡,反之亦然,保持不变的特征,从训练和测试数据。实验结果表明,该模型优于国家的最先进的方法。
2021-03-10 cs.CV
Deep Regression Forests for Age Estimation
Shanghai University(上海大学);Johns Hopkins University(约翰斯·霍普金斯大学);Nankai University(南开大学);Hikvision Research(海康威视研究院)
从人脸图像中估计年龄通常是一个非线性回归问题。这个问题的主要挑战是面部特征空间w.r.t.年龄是异质的,这是由于相同年龄的不同人之间的面部外观的大的变化以及老化模式的非平稳特性。在本文中,我们提出了深度回归森林(DRF),这是一种用于年龄估计的端到端模型。DRF将分裂节点连接到卷积神经网络(CNN)的全连接层,并通过联合学习分裂节点处的依赖于输入的数据分区和叶节点处的数据抽象来处理异构数据。这种联合学习遵循交替的策略:首先,通过固定叶节点,通过反向传播优化分裂节点以及CNN参数;然后,通过固定分裂节点,通过迭代变分定界得到的无步长和快速收敛的更新规则来优化叶节点。我们在三个标准年龄估计基准上验证了所提出的DRF,并在所有这些基准上都取得了最先进的结果。
2017-12-19 cs.CV
Apparent Age Estimation Using Ensemble of Deep Learning Models
Istanbul Technical University(伊斯坦布尔理工大学)
在本文中,我们解决的问题,表观年龄估计。不同于估计个体的真实年龄,其中每个人脸图像具有单个年龄标签,在该问题中,人脸图像具有多个年龄标签,对应于注释者在查看这些图像时所感知的年龄。这提供了一个有趣的计算机视觉问题,因为在一般的图像或对象分类任务中,通常每个类具有单个基础事实标签。为了解释每个图像的多个标签,而不是使用带注释的人脸图像的平均年龄作为类别标签,我们对指定年龄范围内的人脸图像进行了分组。使用这些年龄组及其年龄变化的分组,我们训练了一个深度学习模型的集合。在将输入面部图像馈送到深度学习模型之前,检测五个面部标志点并用于2-D对准。我们已经采用并微调了基于VGG-16 [24]架构并在IMDB-WIKI数据集[22]上预训练的卷积神经网络(CNN)。这些深度学习模型的输出然后被组合以产生最终估计。所提出的方法在最终ChaLearn 2016挑战测试集[5]中实现了0.3668的误差。
2016-06-09 cs.CV
Ordinal Distribution Regression for Gait-based Age Estimation
Fudan University(复旦大学);School of Computer Science, Fudan University(复旦大学计算机学院);Shanghai Key Lab of Intelligent Information Processing(上海市智能信息处理重点实验室)
计算机视觉研究人员更喜欢从人脸图像中估计年龄,因为面部特征提供了有用的信息。然而,当人们远离相机或被遮挡时,从人脸图像估计年龄变得具有挑战性。一个人的步态是一个独特的生物特征,可以有效地感知,即使在距离。因此,步态可以用来预测年龄时,面部图像不可用。然而,现有的基于步态的分类或回归方法忽略了不同年龄的顺序关系,这是一个重要的线索,年龄估计。本文提出了一种有序分布回归与全局和局部卷积神经网络的步态年龄估计。具体来说,我们分解步态为基础的年龄回归到一系列的二进制分类,将有序的年龄信息。然后,提出了一种有序分布损失,考虑这些分类之间的内在联系,通过惩罚估计值和地面真理之间的分布差异。此外,我们的神经网络包括一个全局和三个局部子网络,因此,能够学习头部,身体和脚的全局结构和局部细节。实验结果表明,该方法优于国家的最先进的步态为基础的年龄估计方法上的OULP-Age数据集。
2020-01-31 cs.CV
Position: Age Estimation Models Do Not Process Biometric Data
Sumsub GmbH, Berlin, Germany(Sumsub公司,柏林,德国)
本文研究了年龄估计模型是否处理生物特征数据,通过实验表明这些模型无法达到身份识别阈值,因此不涉及身份识别,呼吁研究者和监管机构提高透明度。
2026-05-17 cs.CV cs.CY cs.LG
DiffClean: Diffusion-based Makeup Removal for Accurate Age Estimation
New York University(纽约大学);University of Wyoming(怀俄明大学)
本文提出DiffClean,通过文本引导的扩散模型去除化妆痕迹,提升年龄估计和面部验证的准确性,有效对抗化妆攻击。
2026-04-13 cs.CV
Improving Face-Based Age Estimation with Attention-Based Dynamic Patch Fusion
University of Warwick(华威大学);Deakin University(迪肯大学)
随着卷积神经网络(CNN)的日益普及,最近基于人脸的年龄估计工作采用这些网络作为骨干。然而,最先进的基于CNN的方法平等地对待每个面部区域,从而完全忽略了一些可能包含丰富的年龄特定信息的面部补丁的重要性。在本文中,我们提出了一个基于人脸的年龄估计框架,称为基于注意力的动态补丁融合(ADPF)。在ADPF中,实现了两个独立的CNN,即AttentionNet和FusionNet。AttentionNet采用一种新的排名引导多头混合注意力(RMHHA)机制,动态地定位和排名特定年龄的补丁。FusionNet使用发现的补丁以及面部图像来预测受试者的年龄。由于所提出的RMHHA机制根据其重要性对发现的补丁进行排名,因此FusionNet中每个补丁的学习路径长度与其携带的信息量成正比(越长,越重要)。ADPF还引入了一种新的多样性损失来指导AttentionNet的训练,减少补丁之间的重叠,从而发现不同的重要补丁。通过大量的实验,我们表明,我们提出的框架优于国家的最先进的方法在几个年龄估计基准数据集。
2021-12-19 cs.CV
BridgeNet: A Continuity-Aware Probabilistic Network for Age Estimation
Tsinghua University(清华大学);Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心);Huawei(华为)
年龄估计是计算机视觉中一个重要而又极具挑战性的问题。现有的年龄估计方法通常采用分而治之的策略来处理由非平稳老化过程引起的异构数据。然而,面部衰老过程也是一个连续的过程,不同组成部分之间的连续性关系尚未得到有效利用。在本文中,我们提出了用于年龄估计的BridgeNet,旨在有效地挖掘年龄标签之间的连续关系。建议的BridgeNet由本地回归和门控网络。局部回归器将数据空间划分为多个重叠的子空间来处理异构数据,门控网络通过采用所提出的桥-树结构来学习局部回归器结果的连续性感知权重,该桥-树结构将桥连接引入到树模型中以加强相邻节点之间的相似性。此外,BridgeNet的这两个组件可以以端到端的方式联合学习。我们展示了在MORPH II,FG-NET和Chalearn 2015数据集上的实验结果,发现BridgeNet优于最先进的方法。
2019-04-06 cs.CV