En los ultimos años, Los investigadores han creado un número creciente de técnicas de reconocimiento facial basadas en aprendizaje automático (ML), que podría tener numerosas aplicaciones interesantes, por ejemplo, mejorar el seguimiento de la vigilancia, control de seguridad, y potencialmente incluso arte forense. Además del reconocimiento facial, Los avances en ML también han permitido el desarrollo de herramientas para predecir o estimar cualidades específicas (por ejemplo, género o edad) de una persona mediante el análisis de imágenes de sus rostros.

En un estudio reciente, investigadores de la Universidad de Kwazulu-Natal, En Sudáfrica, desarrolló un modelo basado en el aprendizaje automático para estimar la edad de las personas mediante el análisis de imágenes de sus caras tomadas en entornos aleatorios de la vida real. Esta nueva arquitectura fue introducida en un artículo publicado por Spinger y presentado hace unos días en la Conferencia Internacional sobre Inteligencia Colectiva Computacional (ICCCI) 2019.

La mayoría de los enfoques tradicionales para la clasificación por edades solo funcionan bien cuando se analizan imágenes faciales tomadas en entornos controlados. por ejemplo, en el laboratorio o en estudios de fotografía. Por otra parte, muy pocos de ellos son capaces de estimar la edad de las personas en imágenes tomadas en entornos cotidianos reales.

"Los métodos de aprendizaje profundo han demostrado ser eficaces para resolver este problema, especialmente con la disponibilidad de una gran cantidad de datos para entrenamiento y máquinas de alta gama, "escribieron los investigadores en su artículo." En vista de esto, proponemos una solución de aprendizaje profundo para estimar la edad a partir de rostros de la vida real ".

El equipo de investigadores de la Universidad de Kwazulu-Natal desarrolló una arquitectura basada en una red neuronal convolucional profunda (CNN) con seis capas. Su modelo fue entrenado para estimar la edad de los individuos a partir de imágenes de rostros tomadas en entornos no controlados. La arquitectura logra esto aprendiendo qué representaciones faciales son más cruciales para la estimación de la edad y centrándose en estas características particulares.

Para mejorar el rendimiento de su modelo basado en CNN, los investigadores lo entrenaron previamente en un gran conjunto de datos llamado IMDB-WIKI, que contiene más de medio millón de imágenes de caras tomadas de IMDB y Wikipedia, etiquetado con la edad de cada sujeto. Esta formación inicial les permitió adecuar su arquitectura al contenido de la imagen de cara.

Después, los investigadores ajustaron el modelo utilizando imágenes de otras dos bases de datos, a saber, MORPH-II y OUI-Adience, entrenarlo para que detecte peculiaridades y diferencias. MORPH-II contiene aproximadamente 70, 000 imágenes etiquetadas de caras, mientras que OUI-Adience contiene 26, 580 imágenes de rostros tomadas en entornos ideales de la vida real.

Cuando evaluaron su modelo en imágenes tomadas en entornos no controlados, los investigadores encontraron que este entrenamiento extenso condujo a un desempeño notable. Su modelo logró resultados de vanguardia, superando a varios otros métodos basados ​​en CNN para la estimación de la edad.

"Nuestros experimentos demuestran la efectividad de nuestro método para la estimación de la edad en la naturaleza cuando se evalúan en el punto de referencia OUI-Adience, que se sabe que contiene imágenes de caras adquiridas en condiciones ideales y sin restricciones, "escribieron los investigadores." El método de clasificación por edades propuesto logra nuevos resultados de vanguardia, con una mejora en la precisión del 8,6 por ciento (exacta) y del 3,4 por ciento (única) sobre el resultado mejor informado en el conjunto de datos OUI-Adience ".

En el futuro, La nueva arquitectura basada en CNN desarrollada por estos investigadores podría permitir implementaciones de estimación de edad más efectivas en una variedad de entornos de la vida real. El equipo también planea agregar capas al modelo y entrenarlo en otros conjuntos de datos de imágenes faciales tomadas en entornos no controlados tan pronto como estén disponibles. para seguir mejorando su rendimiento.

© 2019 Science X Network