We propose an end-to-end deep learning framework for age estimation using face images. Our key observation is that ranking face images by age plays an important role for learning features and estimating age. We thus exploit a ranking objective jointly with an age classification objective. In this joint configuration, the ranking objective provides relative information to a deep model, that produces higher accuracy. For the ranking objective, we use a triplet ranking strategy with two novel schemes: relative triplet selection and weighted triplet ranking loss. First, the relative triplet selection expands a pool of possible triplets, enabling effective learning for ranking. Second, the weighted triplet ranking loss reflects the relativeness of age and considers its varying importance for learning. We have applied our method to two famous age estimation benchmarks, Adience and FG-NET, and demonstrated that our approach achieves meaningful improvement over the state-of-the-art age estimation methods.
본 학위논문에서는 얼굴 나이 인식을 위한 종단간 딥러닝 프레임워크를 제안한다. 제안 방식의 핵심은 얼굴 이미지를 나이에 따라 랭킹하는 것이다. 기존 분류 손실함수는 나이 간의 상대적인 정보를 표현하지 못하지만 랭킹은 이를 표현할 수 있기 때문에, 랭킹을 사용하는 것은 나이 인식을 위한 특징 벡터를 학습하는 데 중요한 역할을 한다. 그래서 우리는 트리플릿 랭킹과 분류를 함께 사용하여 네트워크를 학습하는데, 이는 분류만을 사용했을 때보다 더 좋은 성능을 보인다. 트리플릿 랭킹을 나이 인식에 적용하기 위해서는 두 가지 기술이 필요하다. 첫째는 상대적인 트리플릿 샘플링 기술이다. 이 기술은 고를 수 있는 나이 트리플릿의 표본을 증대시켜 나이 인식 성능을 개선할 수 있다. 두 번째는 가중 트리플릿 손실 함수이다. 이는 각 트리플릿의 중요도를 정량화하여 손실 함수에 반영하며, 나이의 상대적인 개념을 네트워크에 학습시킨다. 제안 방식의 성능을 검증하기 위하여 유명한 나이 인식 벤치마크인 Adience와 FG-NET을 활용하였고, 제안 방식은 두 벤치마크에서 높은 성능을 보인다.
