Gfam: un modelo de envejecimiento facial que conserva el género para datos desequilibrados por edad
Autores: Li, Suli; Lee, Hyo Jong
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Gfam: un modelo de envejecimiento facial que conserva el género para datos desequilibrados por edad
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Envejecimiento facial
Modelo de preservación de género
GFAM
Red generativa adversarial
Pérdida de equilibrio de edad
Módulo de preservación de identidad
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 41
Citaciones: Sin citaciones
El objetivo del envejecimiento facial es generar imágenes faciales que presenten los efectos del envejecimiento. El método de codificación one-hot existente para patrones de envejecimiento y/o rejuvenecimiento pasa por alto los patrones personalizados para diferentes géneros y razas, lo que provoca errores como que aparezca una barba masculina en un rostro femenino envejecido. Se propone un modelo de envejecimiento facial que preserva el género para abordar estos problemas, denominado GFAM. GFAM emplea una red generativa adversarial e incluye varias subredes que simulan el proceso de envejecimiento entre dos grupos de edad adyacentes para aprender efectos específicos de envejecimiento. Específicamente, el modelo propuesto introduce un clasificador de género y una función de pérdida de género que utiliza la información de género como un mecanismo de auto-guía para mantener los atributos de género. Para mantener la información de identidad de los rostros sintéticos, el modelo propuesto también introduce un módulo de preservación de identidad. Además, se utiliza una pérdida de equilibrio de edad para mitigar el impacto de la distribución desequilibrada de edades y mejorar la precisión de las predicciones de envejecimiento. Además, construimos un conjunto de datos con una distribución de edad equilibrada para la tarea de progresión de edad facial, denominado Age_FR. Se espera que este conjunto de datos facilite los esfuerzos de investigación actuales. Se han realizado estudios de ablación para evaluar exhaustivamente las mejoras de rendimiento logradas por nuestro método. Obtuvimos mejoras relativas de 3.75% más altas que el modelo sin el módulo de preservación de género. Los resultados experimentales proporcionan evidencia de la efectividad del método propuesto, tanto a través de análisis cualitativos como cuantitativos. Notablemente, se encontró que la precisión media de verificación facial para los grupos de edad progresados (0-20, 31-40, 41-50 y 51-60) fue del 100%, 99.83%, 99.79% y 99.11%, respectivamente, resaltando la robustez de nuestro enfoque en diferentes rangos de edad.
Descripción
El objetivo del envejecimiento facial es generar imágenes faciales que presenten los efectos del envejecimiento. El método de codificación one-hot existente para patrones de envejecimiento y/o rejuvenecimiento pasa por alto los patrones personalizados para diferentes géneros y razas, lo que provoca errores como que aparezca una barba masculina en un rostro femenino envejecido. Se propone un modelo de envejecimiento facial que preserva el género para abordar estos problemas, denominado GFAM. GFAM emplea una red generativa adversarial e incluye varias subredes que simulan el proceso de envejecimiento entre dos grupos de edad adyacentes para aprender efectos específicos de envejecimiento. Específicamente, el modelo propuesto introduce un clasificador de género y una función de pérdida de género que utiliza la información de género como un mecanismo de auto-guía para mantener los atributos de género. Para mantener la información de identidad de los rostros sintéticos, el modelo propuesto también introduce un módulo de preservación de identidad. Además, se utiliza una pérdida de equilibrio de edad para mitigar el impacto de la distribución desequilibrada de edades y mejorar la precisión de las predicciones de envejecimiento. Además, construimos un conjunto de datos con una distribución de edad equilibrada para la tarea de progresión de edad facial, denominado Age_FR. Se espera que este conjunto de datos facilite los esfuerzos de investigación actuales. Se han realizado estudios de ablación para evaluar exhaustivamente las mejoras de rendimiento logradas por nuestro método. Obtuvimos mejoras relativas de 3.75% más altas que el modelo sin el módulo de preservación de género. Los resultados experimentales proporcionan evidencia de la efectividad del método propuesto, tanto a través de análisis cualitativos como cuantitativos. Notablemente, se encontró que la precisión media de verificación facial para los grupos de edad progresados (0-20, 31-40, 41-50 y 51-60) fue del 100%, 99.83%, 99.79% y 99.11%, respectivamente, resaltando la robustez de nuestro enfoque en diferentes rangos de edad.