计算机工程

作者：张会影, 圣文顺

单位：1. 东南大学计算机科学与工程学院, 江苏 南京 2111892. 南京工业大学浦江学院计算机与通信工程学院, 江苏 南京 211200

关键词：标记分布学习,深度学习,卷积神经网络,人脸年龄识别,平均绝对误差

基金：江苏省高校自然科学研究项目(19KJD520005); 江苏省高校“青蓝工程”项目(苏教师函11号); 南京工业大学浦江学院自然科学重点培育项目(njpj2022-1-06); 2023年度江苏高校哲学社会科学研究项目(2023SJYB0687); 南京工业大学浦江学院2022教改重中之中项目(2022JG001Z)

缺乏完整和足够的人脸年龄标记数据集是当前人脸年龄识别问题中最突出的挑战之一。由于相近年龄的面部具有相似性, 因此在年龄识别中可以学习并利用相邻年龄的面部信息, 将每张人脸图像看作相关年龄的标记分布(LD), 从而有效缓解了训练和测试数据集不足的问题。但是在不同年龄阶段, 人的面部衰老变化速度显著不同, 如儿童和老年时期面部变化较快, 而中年时期面部变化较平缓, 当前常用的LD方法存在模式单一的缺点, 难以适应不同年龄阶段人脸特征的变化规律。为提高人脸年龄识别算法的通用性, 提出一种深度学习框架下基于标记适应的人脸年龄识别优化算法IFAR-LA。引入标记适应机制, 能够更好地学习特征表示, 挖掘人脸图像数据中丰富的语义信息, 从而有效提取不同年龄阶段面部变化的特征, 大幅提升表示学习能力和泛化能力。改进后的标记适应算法能够适应不同年龄阶段人脸变化规律, 使每幅人脸图像在学习其真实年龄和相关年龄的时候都能发挥作用, 缓解训练数据不足的问题, 同时, 提升了算法普适性, 能够适应不同年龄阶段人的面部衰老变化速度。在公开的人脸数据集MORPH和FG-NET上的实验结果表明, IFAR-LA算法相比改进前的人脸年龄识别算法平均绝对误差分别降低了6.5%和11.5%。

来源：2025年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第1期