論文閱讀-年齡估計_SSRNet

---

我的博客已全部遷往個人博客站點：oukohou.wang，敬請前往～～

---

年齡估計，也是一個頗有點意思的task。
今天來介紹一個其中的經典算法：SSRNet。

• paper: SSR-Net: A Compact Soft Stagewise Regression Network for Age Estimation
• codes: SSR-Net

1. 前情提要

年齡估計，其實遠在深度學習風行之前就已經有了一些工作了，不過多是用傳統方法來做，先提取特徵，再在特徵上進行分類或者回歸。
提取特徵的方法，比如 AAM、 LBP、 Gabor 等等，得到特徵後，加個 SVM/SVR/PLSR 等就做了個年齡估計模型出來～～

而由於深度學習的再次大火，自然又有衆多探索如何用深度學習做年齡這個task的了，DEX 是其一，本文的 SSRNet 也是其一。

2. 廬山真面

先來張圖一睹爲快：

然後故事還要從 DEX 說起。
DEX 將年齡均分爲 $s$ 個年齡段，即對於[0,V]的年齡跨度，每個年齡段跨度爲 $V/s$，該段的代表性年齡取 $\mu = V/s$.
然後對於一個 s 類的分類模型，取其每一類的概率與當前類的代表年齡的加和作爲最終的預測值：

$\tilde{y} = \vec{p}\cdot \vec{\mu}=\sum_{i=0}^{s-1}p_i\cdot\mu_i=\sum_{i=0}^{s-1}p_i\cdot i(\frac{V}{s})$

這是 DEX 的做法。

然而，作者說：“To reduce the model size without sacrificing much accuracy, we propose to use a coarse-to-fine strategy with
multi-stage prediction.”

啥意思呢，就是作者要分階段進行 DEX 的這個操作，然後不同階段的值再進行融合：

$\tilde{y} =\sum_{k=1}^{K} \vec{p}^{(k)}\cdot \vec{\mu}^{(k)}=\sum_{k=1}^{K}\sum_{i=0}^{s_k-1}p_i^{(k)}\cdot i(\frac{V}{\prod_{j=1}^k s_j })$

看起來有點摸不着頭腦？舉個栗子：

令 V=90，也就是年齡跨度爲0到90歲，階段數 K=2，每個階段的年齡段數爲3，即$s_1=s_2=3$。
那麼階段K=1時，每段年齡分別是(0~ 30),(30~ 60),(60~ 90)，對於階段K=2時，每段年齡段又被
分爲3段，即每段年齡分別是(+0~ 10),(+10~ 20),(+20~ 30)。

這麼說是不是好像有點懂了？
不懂也不怕，我們先往下說，最後融會貫通，你就恍然大明白啦～～～

細心的客官應該已經發現了，上面這個式子裏的$V$ 怎麼分母不是$s_i$，變成了$\prod_{j=1}^k s_j$？
沒錯，事出反常必有妖，這裏又是作者的一個trick創新點：
作者說，年齡是連續的，而且有一定的不確定性，所以粗暴地把年齡劃分爲平均且不重疊的區域是不怎麼flexible的，於是乎，
作者決定使用dynamic range，什麼意思？就是每個年齡區域可以被shifted and scaled，怎麼樣，是不是覺得這個術語很面熟，當年batchnorm提出來的時候也見過對不對？
具體怎麼實現這個年齡的dynamic range呢？
很簡單，看：

$\bar{s}_k=s_k \cdot (1+\bigtriangleup_k)$

式中，$s_k$是在階段k時的均分不重疊的年齡區域個數，加個波動區域$\bigtriangleup_k$，則每個年齡區域的跨度應該爲：

$\bar{w}_k=\frac{V}{\prod_{j=1}^k \bar{s}_j}$

於是乎，就實現了這個scale了～～那麼shift呢？
作者又把每個年齡區域的索引做了個偏移：

$\bar{i}=i +\eta^k_i$

這樣一來，每個年齡區域的索引有了微小的改變，自然也就是shift了～～

最後，就是整合各個階段的輸出來求加權和作爲最終的年齡預測結果了：

$\tilde{y}=\sum_{k=1}^{K}\sum_{i=0}^{s_k-1}p_{i}^{k}\cdot \bar{i}(\frac{V}{\prod_{j=1}^k\bar{s}_j})$

不過作者在此基礎上又多走了一個trick一步：用個2-stream模型來儘量提取不同特徵，融會貫通。
好了現在到了各位看官融匯貫通的時候了，現在再回頭看一下開始那張圖：

怎麼樣，是不是有種恍然大明白的感覺？

3. 顧盼生姿

最後貼張結果對比圖，感性地評估一下SSRNet的性能：

好啦， 現在到了各位看官捧個場的時候啦～～
敬請期待下次更新，完結撒花～～

微信公衆號：璇珠雜俎,也可搜索oukohou ，提供本站優質非技術博文～～

regards.

oukohou.