人脸年龄估计是人脸属性预测领域的关键任务,它的目标是实现对给定人脸图片的准确年龄估计。目前,得益于卷积神经网络的迅速发展,人脸年龄估计的准确度也得到了明显的提升。许多研究人员通过寻找更加适合年龄估计任务的损失函数和年龄编码方法来进一步改善年龄估计效果。本文致力于解决现有算法中存在的问题,并做出自己的贡献。主要成果如下:1.针对年龄编码方式,本文提出了一种软排序年龄编码方法。现有年龄编码方法在描述人脸年龄老化特性上存在不足,限制了卷积神经网络学习年龄估计任务的能力。为解决该问题,本文提出了一种全新的年龄编码方法——软排序年龄编码。通过对年龄老化相关性和顺序性的准确描述,软排序编码让网络学习到更多人类的先验知识。经过实验验证,软排序编码方法能够获得比标签分布编码和顺序回归编码更好的预测准确率。2.针对自适应寻找年龄编码问题,本文基于标签分布学习,提出一种年龄自编码方法——逐步自编码方法。通过分析参数对标签分布学习的作用,本文发现一个合适的参数能够让网络同时学习到相邻年龄的外观区别和相关性信息。基于这一点,本文将标签分布编码与方差损失函数结合起来,帮助网络自动寻找一个合适的参数。实验结果证明了逐步自编码方法的有效性。3.针对年龄估计的过拟合问题,本文提出了一种基于掩膜的正则化方法。通过要求网络在缺失的特征图上进行年龄估计,避免网络过分依赖某一人脸器官的特征,从而全面地利用特征图信息。最后,通过实验分析,验证了基于掩膜的正则化方法的有效性。