不完整數據下基於半監督式學習之 年齡估測

林怡瑩
由於有廣泛的應用價值，近年來年齡估測的相關研究引起許多研究者的興趣。已有很多文獻提出年齡的特徵模型和估測模型，但是年齡估測尚有主要難以解決的問題。如年齡多樣性(Aging diversity)和年齡不充分數據(Insufficient aging data)使得估測真實年齡的精準度仍有限制，而本論文將目標放在年齡訓練數據不充分此問題上的處理。以實際面來看，年齡影像收集不易甚至在資料庫裡有些年齡樣本特別稀少，要透過人工標記也需要耗費大量的成本，因此在不足量的年齡標記樣本學習之下可能會限制住估測模型的學習推廣能力。

為在年齡樣本資源限制條件下，還維持年齡估測的效能，本文提出一個基於半監督式學習框架下學習不明確標記(uncertain labels)的年齡估測演算法。本方法在基於圖形的Manifold Regularization(MR)演算法下同時學習未標記和有標記年齡樣本來提升模型的推廣學習能力；此外，因相鄰年齡的臉有非常相近的外觀，我們將年齡標記為一組涵蓋相鄰年齡的資訊有助於模型學習相鄰的年齡。本方法在學習不明確標記下也將年齡類別間的關聯性考量進來使此半監督估測模型的效能更加提升。本文的實驗與被比較的過去文獻同樣以AAM參數作為基準特徵，在FGNET年齡資料庫下進行LOPO(Leave-One-Person-Out)的測試，結果證明本方法優於過去基於不明確標記的年齡估測方法，並且在比這些方法所使用更少量的標記樣本下也有較好的表現，此證明了在標記年齡樣本不充分的情境下，透過半監督學習框架下學習不明確標記有助於提升年齡模型的學習能力。