基于双分支残差网络的人脸年龄估计

摘要

针对现有卷积神经网络难以捕捉人脸长距离依赖关系的问题，提出一种基于大卷积核的双分支残差网络，并用于人脸年龄估计。为突破传统小卷积核感受野较小的局限，首先，采用大卷积核对深度学习模型(ResNet)的残差模块进行改进，以此扩大网络的有效感受野，从而更高效地捕捉人脸图像中的全局信息与长距离依赖关系。其次，考虑到人脸细微特征对年龄估计的关键作用，引入细节下采样模块，该模块能在网络初始阶段最大程度减少细节信息的丢失。在网络结构设计上，创新性地将ResNet的原始残差模块与改进后的大卷积残差模块进行并联，构建形成双分支残差网络，并利用注意力模块实现两个分支之间的特征融合。为深度挖掘人脸年龄特征，在双分支残差网络之后串联两个大卷积残差模块，通过递进式特征抽象强化模型对复杂年龄模式的建模能力。最后，针对年龄估计中标签序数特性带来的挑战，将所构建的双分支残差网络与序数回归方法结合，通过将年龄值转化为有序标签序列进行建模，有效提升了模型对年龄变化的分辨能力。实验结果表明，所提出的方法在UTK-FACE数据集上的平均绝对误差最多降低了0.46,在FG-NET数据集上的平均绝对误差最多降低了0.09。

关键词

年龄估计 / 序数回归 / 卷积神经网络 / 有效感受野 / 注意力机制