[发明专利]年龄估计模型的训练方法、年龄估计方法以及对应的装置

权利要求书

1.一种年龄估计模型的训练方法，其特征在于，所述年龄估计模型包括依次级联的特征提取模块、概率分布预测模块和年龄值预测模块，其中，所述特征提取模块，用于提取输入至模型的人脸图像的图像特征，所述概率分布预测模块，用于根据所述图像特征输出所述人脸图像中的人脸年龄对应于各个预划分的年龄端点值的预测年龄分布；所述年龄值预测模块，用于根据所述预测年龄分布输出所述人脸年龄的预测年龄值；

所述训练方法包括：

获取训练样本，各所述样本为标注有对应的年龄标签的人脸图像；

确定各所述样本的年龄标签所对应的年龄标签分布；

基于所述样本以及所述年龄标签分布，对所述年龄估计模型进行训练，直至所述年龄估计模型的总损失函数收敛；

其中，所述总损失函数包括分布损失函数和回归损失函数，所述分布损失函数表征了所述样本的年龄标签分布和预测年龄分布的差异，所述回归损失函数表征了所述样本的年龄标签和预测年龄值的差异；

若所述年龄标签不是预划分的年龄端点值中的一个，所述确定各所述样本的年龄标签所对应的年龄标签分布，包括：

根据预划分的年龄端点值中与所述年龄标签相邻的至少两个年龄端点值，确定所述年龄标签分布；

其中，所述年龄标签分布中的非零元素值为所述年龄标签属于所述相邻的至少两个年龄端点值中各端点值的概率。

2.根据权利要求1所述的方法，其特征在于，所述年龄标签为所述相邻的至少两个年龄端点值的凸组合，所述年龄标签属于所述相邻的至少两个年龄端点值中各端点值的概率为所述凸组合中所述相邻的至少两个年龄端点值中各端点值所对应的权重值。

3.根据权利要求1所述的方法，其特征在于，所述预划分的年龄端点值包括基于至少两种切分粒度分别对年龄范围进行划分得到的端点值；

所述根据预划分的年龄端点值中与所述年龄标签相邻的至少两个年龄端点值，确定所述年龄标签分布，包括：

分别根据每种切分粒度所对应的端点值中与所述年龄标签相邻的至少两个年龄端点值，确定每种切分粒度所对应的年龄标签分布；

所述基于所述样本以及所述年龄标签分布，对所述年龄估计模型进行训练，直至所述年龄估计模型的总损失函数收敛，包括：

基于所述样本和每种切分粒度所对应的年龄标签分布，分别对所述年龄估计模型进行训练，直至每种切分粒度所对应的所述总损失函数均收敛。

4.根据权利要求1所述的方法，其特征在于，若所述年龄标签为预划分的年龄端点值中的一个，所述确定各所述样本中的年龄标签所对应的年龄标签分布，包括以下任一种：

根据等于所述年龄标签的年龄端点值确定所述年龄标签分布，所述年龄标签分布中的非零元素值为所述年龄标签属于与所述年龄标签相等的年龄端点值的概率，非零元素值的取值为1；

根据等于所述年龄标签的年龄端点值，以及与等于所述年龄标签的年龄端点值相邻的至少两个年龄端点值，确定所述年龄标签分布，所述年龄标签分布中的非零元素值为所述年龄标签分别属于至少三个年龄端点值的概率，所述至少三个年龄端点值包括等于所述年龄标签的年龄端点值，以及与等于所述年龄标签的年龄端点值相邻的至少两个年龄端点值；

根据与等于所述年龄标签的年龄端点值相邻的至少两个年龄端点值，确定所述年龄标签分布。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述相邻的至少两个年龄端点值是与所述年龄标签直接相邻的两个年龄端点值。

6.根据权利要求1至4中任一项所述的方法，其特征在于，所述分布损失函数为KL-散度，所述回归损失函数为平均绝对误差MAE。

7.根据权利要求1至4中任一项所述的方法，其特征在于，所述特征提取模块包括级联的卷积神经网络和第一全连接层，所述概率分布预测模块为第二全连接层，所述年龄值预测模块为第三全连接层；

其中，所述卷积神经网络用于提取输入至模型的人脸图像的特征图，所述第一全连接层用于将所述卷积神经网络所提取的特征图映射为特征向量，所述第二全连接层用于根据特征映射层输出的特征向量输出对应的预测年龄分布。