Resumen

Aunque el aprendizaje de distribución de etiquetas ha avanzado significativamente en el campo de la estimación de la edad facial, el aprendizaje no supervisado no ha sido ampliamente adoptado y sigue siendo una tarea importante y desafiante. En este trabajo, proponemos un método de aprendizaje de distribución de etiquetas contrastivas no supervisado (UCLD) para la estimación de la edad facial. Este método es útil para extraer información semántica y significativa de rostros crudos, preservando la correlación de alto orden entre edades adyacentes. Similar al método de procesamiento de redes de sensores inalámbricos, diseñamos la red ConAge con el método de aprendizaje de contraste. Como resultado, nuestro modelo maximiza la similitud de las muestras positivas mediante el aumento de datos y simultáneamente separa los grupos de muestras negativas. En comparación con los métodos de vanguardia, logramos resultados convincentes en el ampliamente utilizado banco de pruebas, es decir, MORPH.

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Aprendizaje de distribución de etiquetas; Aprendizaje no supervisado; Estimación de edad facial; Aprendizaje de distribución de etiquetas contrastivas; Información semántica; Correlación de alto orden
• Keywords:Label distribution learning; Unsupervised learning; Facial age estimation; Contrastive label distribution learning; Semantic information; High-order correlation