同时识别年龄与性别

基于PyTorch 实现多任务学习，在同时识别年龄与性别。

数据集

IMDB-WIKI 数据集，460,723张图片。

这里为简洁只使用 IMDB 数据集。

数据类型

dob：出生日期 （Matlab serial date number）
photo_taken：照片拍摄年份
full_path：文件路径
性别：女性 0 个，男性 1 个，未知时为 NaN
name：名人姓名
face_location：面部的位置。要在 Matlab 中裁剪脸部，请运行
IMG（face_location（2）：face_location（4），face_location（1）：face_location（3），:)）
face_score：detector 分数（越高越好）。Inf表示在图像中没有找到人脸，然后 face_location只返回整个图像
second_face_score：得分第二高的人脸的 detector 分数。这对于忽略具有多个面的图像非常有用。如果未检测到第二张人脸，则 second_face_score为 NaN。
celeb_names （仅限 IMDB）：所有名人姓名列表
celeb_id（仅限 IMDB）：名人姓名索引

年龄分布：

460723张照片为平衡每个年龄最多只保存5000张，清洗后得到163065张，按年龄分布作图：

安装

安装：pip install scipy

卸载：pip uninstall scipy

用法

数据预处理

提取163065张图片：

$ python pre_process.py

训练

$ python train.py

准确度比较

#	图片大小	网络	性别准确度(验证集)	年龄MAE(验证集)	年龄损失函数	批量大小	Loss	年龄权重
1	112x112	ResNet-18	90.756%	5.710	回归(L1Loss)	32	0.9757	0.1
2	224x224	ResNet-18	90.887%	5.694	回归(L1Loss)	32	0.9719	0.1
3	112x112	ResNet-18	90.140%	5.986	回归(L2Loss)	32	1.121	0.01
4	224x224	ResNet-18	90.064%	8.475	分类(交叉熵)	32	TBD	TBD
5	224x224	ResNet-50	90.034%	TBD	分类(交叉熵)	32	TBD	TBD

Demo

下载预训练的模型 Link，执行：

$ python demo.py

效果图如下：

原图	校准	识别	标注
		性别：女, 年龄：29	性别：女, 年龄：24
		性别：女, 年龄：29	性别：男, 年龄：26
		性别：男, 年龄：34	性别：男, 年龄：49
		性别：女, 年龄：29	性别：女, 年龄：29
		性别：男, 年龄：36	性别：女, 年龄：23
		性别：男, 年龄：29	性别：男, 年龄：15
		性别：男, 年龄：34	性别：男, 年龄：32
		性别：男, 年龄：42	性别：男, 年龄：42
		性别：男, 年龄：36	性别：女, 年龄：31
		性别：男, 年龄：39	性别：男, 年龄：59