基于注意力ConvLSTM模型的人脸图像年龄估计研究OA北大核心

针对人脸图像在空间和时间序列上对细粒度特征方面年龄估计准确性不高的问题,提出一种基于注意力机制的卷积长短时记忆网络模型(Convolution Long-Short Term Memory, ConvLSTM)。在ConvLSTM模型的上一层隐藏状态和当前输入状态之间引入注意力机制对年龄估计产生显著影响的特征因子增加权重;通过平均池化得到通道权重因子,并对注意力权重进行归一化操作,得到新的输入状态;利用新的输入状态通过ConvLSTM模型实现特征提取和年龄估计。为验证模型的有效性,以FG-NET和MORPH人脸数据集为实验对象,以平均绝对误差(Mean Absolute Error, MAE)和累积指数(Cumulative Score, CS)为评价指标。实验结果表明,算法模型在FG-NET和MORPH人脸数据集上平均绝对误差分别为3.60和2.45;在MORPH数据集上累积指数达到89.3%;与非注意力ConvLSTM模型和LSTM模型相比其累积指数平均提高0.80百分点和4.60百分点;在算法模型复杂度方面也具有良好表现。