Алгоритм оценивания возраста человека на основе сверточной нейросети, использующий только анонимизированные изображения уголков глаз
Автор: Бобров Евгений
Журнал: Проблемы информатики @problem-info
Рубрика: Прикладные информационные технологии
Статья в выпуске: 3 (56), 2022 года.
Бесплатный доступ
Возрастные биомаркеры - это качественные и количественные показатели процессов старения в организме человека. Биологический возраст организма имеет болвшое значение для определения его физиологического состояния. Появление машинного обучения привело к созданию широкого спектра предикторов возраста, которые различаются по значимости, простоте использования, стоимости, применению и интерпретируемости. В настоящем исследовании представлен и изучен неинвазивный класс визуальных фотографических индикаторов старения. В настоящей работе представлен простой и надежный индикатор возраста на основе глубоких нейронных сетей, использующих только анонимизированные фотографии уголков глаз человека. Обученная нейросеть показывает среднюю абсолютную ошибку менее трех лет в широком возрастном диапазоне конкретной человеческой популяции.
Предсказание возраста, биомедицинская визуализация, компьютерное зрение, глубокое обучение, биомаркер фотографического старения
Короткий адрес: https://sciup.org/143179390
IDR: 143179390 | УДК: 004.852 | DOI: 10.24412/2073-0667-2022-3-14-23
Algorithm for predicting human age based on a convolutional neural network using only anonymized images of eye corners
Age-related biomarkers are qualitative and quantitative indicators of the human body’s aging processes. An organism’s biological age is critical in defining its physiological state. Machine learning has resulted in the development of a wide range of age predictors that differ in importance, simplicity of use, cost, applicability, and interpretability. The current work presents and investigates a noninvasive class of visual photographic markers of aging. This research describes a simple and reliable age indicator based on deep neural networks that uses just anonymised images of a person’s eye corners. In a large age range of a specific human population, the trained neural network has an average absolute error of less than three years.
Список литературы Алгоритм оценивания возраста человека на основе сверточной нейросети, использующий только анонимизированные изображения уголков глаз
- Ricanek K., Tesafaye T. Morph: A longitudinal image database of normal adult age-progression // Auto- matic Face and Gesture Recognition, 2006. FGR 2006. 7th International Conference on / IEEE. 2006. P. 341-345.
- Eidinger E., Enbar R., Hassner T. Age and gender estimation of unltered faces // IEEE Transactions on Information Forensics and Security. 2014. Vol. 9, N 12. P. 2170-2179.
- Rothe R., Timofte R., Van Gool L. Deep expectation of real and apparent age from a single image without facial landmarks // International Journal of Computer Vision. 2016. P. 1 14.
- Guo G., Fu Y., Dyer C. R., Huang T. S. Image-based human age estimation by manifold learning and locally adjusted robust regression // IEEE Transactions on Image Processing. 2008. Vol. 17, N 7. P. 1178-1188.
- Guo G., Mu G., Fu Y., Huang T. S. Human age estimation using bio-inspired features // Computer Vision and Pattern Recognition, 2009. CVPR 2009. IEEE Conference on / IEEE. 2009. P. 112-119.
- Guo G., Mu G. Joint estimation of age, gender and ethnicity: CCA vs. PLS // Automatic face and gesture recognition (fg), 2013 10th ieee international conference and workshops on / IEEE. 2013. P. 1-6.
- Qawaqneh Z., Mallouh A. A., Barkana B. D. Deep Convolutional Neural Network for Age Estimation based on VGG-Face Model // arXiv preprint arXiv:1709.01664. 2017.
- Zhang K., Gao C., Guo L. et al. Age Group and Gender Estimation in the Wild With Deep RoR Archi- tecture // IEEE Access. 2017. Vol. 5. P. 22492-22503.
- Russakovsky O., Deng J., Su H. et al. Imagenet large scale visual recognition challenge // International Journal of Computer Vision. 2015. Vol. 115, N 3. P. 211-252.
- Antipov G., Baccouche M., Dugelay J.-L. Face aging with conditional generative adversarial networks // 2017 IEEE international conference on image processing (ICIP) / IEEE. 2017. P. 2089-2093.
- Upchurch P., Gardner J., Pleiss G. et al. Deep feature interpolation for image content changes // Pro- ceedings of the IEEE conference on computer vision and pattern recognition. 2017. P. 7064-7073.
- Putin E., Mamoshina P., Aliper A. et al. Deep biomarkers of human aging: application of deep neural networks to biomarker development // Aging (Albany NY). 2016. Vol. 8, N 5. P. 1021.
- Horvath S. DNA methylation age of human tissues and cell types // Genome biology. 2013. Vol. 14, N 10. P. 3156.
- Flament F., Bazin R., Laquieze S. et al. E ect of the sun on visible clinical signs of aging in Caucasian skin // Clinical, cosmetic and investigational dermatology. 2013. Vol. 6. P. 221.
- Bobrov E., Georgievskaya A., Kiselev K. et al. PhotoAgeClock: deep learning algorithms for development of non-invasive visual biomarkers of aging // Aging (Albany NY). 2018. Vol. 10, N 11. P. 3249.
- Chollet F. Xception: Deep learning with depthwise separable convolutions // Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. P. 1251 1258.
- El Dib M. Y., El-Saban M. Human age estimation using enhanced bio-inspired features (EBIF) // Image Processing (ICIP), 2010 17th IEEE International Conference on / IEEE. 2010. P. 1589 1592.
- Kingma D. P., Ba J. Adam: A method for stochastic optimization // arXiv preprint arXiv:1412.6980. 2014.
- He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. P. 770 778.
- King D. E. Dlib-ml: A machine learning toolkit // Journal of Machine Learning Research. 2009. Vol. 10, N Jul. P. 1755 1758.
- Samek W., Binder A., Montavon G. et al. Evaluating the visualization of what a deep neural network has learned // IEEE transactions on neural networks and learning systems. 2016. Vol. 28, N 11. P. 2660 2673.
