逐级回归的年龄估计
本文是国立台湾大学发表的一篇依据人脸图片进行年龄估计的文章.受DEX论文的启发，这篇文章也把回归问题转换为多个分类问题.SSR-Net采用了由粗到细多级分类的方式.每个stage仅对其之前的预测做出更精细的判断.因此，对于神经元个数的需要就大大减少，这样模型的体积也就下来了.为了弥补由于把年龄分段造成的量化问题,SSR-Net对每个年龄段允许其进行适当的调整.SSR-Net的模型仅有0.32MB，却能取到比其大1500倍模型相当的精度.
从单张图片预测年龄是计算机视觉中的一个经典问题，在视频监控、零售以及人机交互中有很多的应用.由于相同年龄的人的外观差别很大导致这个问题很有挑战性.有些年纪大的人看起来很小而有些正好相反/因此，即使对于人类来说这也是一个有挑战性的任务.
直接把这个任务当成回归任务来做是一个很自然的想法因为年龄是一个连续的值.但是正如之前研究指明的那样，由于真实年龄和表观年龄的巨大差异导致其有很大的过拟合现象.而与此不同的是，人类可以叫容易的把年龄分成儿童、青年、中年等几个年龄段。因此很多研究通过把年龄量化来转换成多分类问题.然后这需要面对年龄组是有序的和高度相关而不是没有任何关系的问题。此外，把年龄量化成几个年龄段还需要面临量化错误以及组之间界限模糊的问题。标记分布学习通过把年龄值设置一个分布来解决模糊的问题，但是这种方法需要额外的顺序信息以及分布的相似性，此外还需要更复杂的损失函数和算法.
参考: