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 | DOI: 10.24412/2073-0667-2022-3-14-23
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.
