Un schéma du système d'estimation de l'âge proposé. Crédit :Agbo-Ajala &Viriri.
Au cours des dernières années, les chercheurs ont créé un nombre croissant de techniques de reconnaissance faciale basées sur l'apprentissage automatique (ML), qui pourrait avoir de nombreuses applications intéressantes, par exemple, renforcer le suivi de la surveillance, contrôle de sécurité, et potentiellement même l'art médico-légal. En plus de la reconnaissance faciale, les progrès en ML ont également permis le développement d'outils pour prédire ou estimer des qualités spécifiques (par exemple, sexe ou âge) d'une personne en analysant des images de son visage.
Dans une étude récente, chercheurs de l'Université du Kwazulu-Natal, en Afrique du sud, a développé un modèle basé sur l'apprentissage automatique pour estimer l'âge des personnes en analysant des images de leurs visages prises dans des environnements aléatoires de la vie réelle. Cette nouvelle architecture a été introduite dans un article publié par Spinger et présenté il y a quelques jours à l'International Conference on Computational Collective Intelligence (ICCCI) 2019.
La plupart des approches traditionnelles de classification par âge ne fonctionnent bien que lors de l'analyse d'images de visage prises dans des environnements contrôlés, par exemple, en laboratoire ou dans les studios de photographie. D'autre part, très peu d'entre eux sont capables d'estimer l'âge des personnes sur des images prises dans des contextes réels de la vie quotidienne.
"Les méthodes d'apprentissage en profondeur se sont avérées efficaces pour résoudre ce problème, surtout avec la disponibilité à la fois d'une grande quantité de données pour la formation et de machines haut de gamme, " les chercheurs ont écrit dans leur article. " Compte tenu de cela, nous proposons une solution d'apprentissage en profondeur pour estimer l'âge à partir de visages réels."
L'équipe de chercheurs de l'Université du Kwazulu-Natal a développé une architecture basée sur un réseau de neurones à convolution profonde (CNN) à six couches. Leur modèle a été formé pour estimer l'âge des individus à partir d'images de visages prises dans des environnements non contrôlés. L'architecture y parvient en apprenant quelles représentations faciales sont les plus cruciales pour l'estimation de l'âge et en se concentrant sur ces caractéristiques particulières.
La phase de prétraitement de l'image. Crédit :Agbo-Ajala &Viriri.
Pour améliorer les performances de leur modèle basé sur CNN, les chercheurs l'ont préformé sur un grand ensemble de données appelé IMDB-WIKI, qui contient plus d'un demi-million d'images de visages tirées d'IMDB et de Wikipédia, étiquetés avec l'âge de chaque sujet. Cette formation initiale leur a permis de conformer leur architecture au contenu des images.
Ensuite, les chercheurs ont ajusté le modèle en utilisant des images de deux autres bases de données, à savoir MORPH-II et OUI-Adience, l'entraîner à percevoir les particularités et les différences. MORPH-II en contient environ 70, 000 images étiquetées de visages, tandis que OUI-Adience en contient 26, 580 images de visage prises dans des environnements réels idéaux.
Lorsqu'ils ont évalué leur modèle sur des images prises dans des environnements non contrôlés, les chercheurs ont découvert que cette formation approfondie conduisait à des performances remarquables. Leur modèle a obtenu des résultats de pointe, surpassant plusieurs autres méthodes basées sur CNN pour l'estimation de l'âge.
"Nos expérimentations démontrent l'efficacité de notre méthode d'estimation de l'âge dans la nature lorsqu'elle est évaluée sur le benchmark OUI-Adience, qui est connu pour contenir des images de visages acquises dans des conditions idéales et sans contraintes, " ont écrit les chercheurs. " La méthode de classification par âge proposée permet d'obtenir de nouveaux résultats de pointe, avec une amélioration de la précision de 8,6% (exact) et de 3,4% (ponctuel) par rapport au résultat le mieux rapporté sur l'ensemble de données OUI-Adience."
À l'avenir, la nouvelle architecture basée sur CNN développée par ces chercheurs pourrait permettre des implémentations plus efficaces de l'estimation de l'âge dans une variété de paramètres de la vie réelle. L'équipe prévoit également d'ajouter des couches au modèle et de l'entraîner sur d'autres ensembles de données d'images de visage prises dans des environnements non contrôlés dès qu'elles seront disponibles, afin d'améliorer encore ses performances.
© 2019 Réseau Science X
