Učení konvolučních neuronových sítí ze slabě anotovaných obrázků tváří

Abstract

Predikce věku ze snímků obličejů je dlouhodobě studovaný problém, pro který byla navržena řada různých postupů. V oblastech rozpoznávání tváří a predikci věku dosahují v současné době nejlepších výsledků metody založené na konvolučních neuronových sítích. Jejich nevýhodou je nutnost učení z velkých anotovaných kolekcí, které bývá obtížné zajistit. Obvykle se používá automaticky vygenerovaná databáze ze serveru IMDB obsahující přes 500 tisíc snímků, která ale vlivem použitého anotačního algoritmu obsahuje velké množství špatných označení. Představíme anotační algoritmus dosahující lepších výsledků na IMDB datasetu. Metoda je založená na modelování identit herců v databázi a následném přiřazení věku k obličejům. Kromě metody samotné je také diskutováno optimální nastavení parametrů pro dosažení maximální přesnosti. Za pomoci vlastního nástroje pro ruční anotaci je model vyhodnocen na dvou nezávislých datasetech, a to ze dvou hledisek. Nejprve uvažujeme počet špatně klasifikovaných vzorků, dále také počet osob jimž nebyl přiřazen žádný věk z důvodu chybějícího modelu identity.

Age prediction from facial images is a long standing problem. Various automated facial recognition applications and models have been developed and researched to tackle it. State of the art models for age prediction and face recognition are based on convolutional neural network. The main weakness of such models is the requirement of large annotated datasets. Many state of the art models are learned from automatically annotated IMDB database containing over 500k images. The major weakness of the IMDB database is a large amount of noisy labels produced by the used annotation algorithm. The thesis aims to develop an annotation algorithm which produces a cleaner annotation of the IMDB database. The proposed algorithm builds identity models of the actors appearing in the database and uses the identity models to assign age to the correct faces, and as such accurately annotate the data. We present the proposed annotation method for building the identity models and the fine tuning of the necessary parameters surrounding the annotation. We evaluate the model on two manually independent datasets, and compute two different types of errors: overlooked and misclassified samples. For the purpose of manual annotation we develop a tool which is used for efficient collection of the labels from the data.