人工知能の機械翻訳サンプル

年齢推定アルゴリズムは、階層的アプローチを実現します（図10）。まず、入力フラグメントは、18 歳未満、18 ～ 45 歳、45 歳超の 3 つの年齢グループに分けられます。次に、このステップの結果は7つの小さなグループに細分され、それぞれが10年に制限されています。したがって、マルチクラス分類の問題は、バイナリの「すべてに対して1つ」の分類子（BC）のセットに縮小されます。分類子は、関連するクラスに基づいて画像をランク付けし、最終的な決定は、これらのランクヒストグラムを分析することによって得られます。

これらのBCは、2レベルのアプローチを使用して構築されています。先に説明したように、最初にアダプティブフィーチャ空間に移行した後、RBF カーネルを備えたサポートベクトルマシンを使用してイメージを分類します。

入力フラグメントは、輝度特性を揃えて均一なスケールに変換するために、前処理されます。この前処理ステップには、色空間変換と拡大/縮小が含まれます。どちらの操作も、性別認識アルゴリズムで使用される操作と同様です。フィーチャはカラーコンポーネントごとに計算され、結合されて均一なフィーチャベクトルを形成します。

トレーニングとテストには、十分な規模のカラー画像データベースが必要です。私たちは、最先端のMORPHおよびFG-NET画像データベースと独自の画像データベースを組み合わせて、10,500点の顔画像で構成される異なるソースから取得しています。画像内の顔は AdaBoost 顔検出アルゴリズムによって自動的に検出されました。

年齢分類アルゴリズムの第 1 段階のトレーニングとテストには、合計 7000点の画像が使用されました。144 のアダプティブフィーチャを使用して、3 つの BC が作成されました。

第1段階の分類結果は、若年者の顔で 82% の精度、中年者の顔で 58% の精度、高齢者の顔で 92% の精度を示しました。3つの年齢区分における年齢分類の全体精度は 77.3% でした。

第2段階のBCは、第1段階と同様に構築されました（前述）。図11は、提案されたアルゴリズムの第1段階による年齢推定に関する視覚的な例を示しています。

Age estimation algorithms realize a hierarchical approach ( Figure 10 ) . First , the input fragments are divided into three age groups : under 18 years old , 18-45 years old , and over 45 years old . The results of this step are then subdivided into seven small groups , each of which is restricted to ten years . Therefore , the multiclass classification problem is reduced to a binary set of `` one for all '' classifiers ( BC ) . Classifiers rank images based on relevant classes , and final decisions are obtained by analyzing these rank histograms .

These BCs are built using a two-level approach . As explained earlier , we first move to the adaptive feature space and then classify images using a support vector machine with an RBF kernel .

Input fragments are preprocessed to align luminance characteristics and convert them to uniform scales . This preprocessing step includes color space transformation and enlargement/shrinkage . Both operations are similar to those used in gender recognition algorithms . The features are calculated for each color component and combined to form a uniform feature vector .

Training and testing requires a large enough color image database . We combine state-of-the-art MORPH and FG-NET image databases with our own image database to obtain from different sources composed of 10 , 500 facial images . The face in the image was automatically detected by AdaBoost face detection algorithm .

A total of 7000 images were used for training and testing the first stage of the age classification algorithm . Three BCs were created using 144 adaptive features .

The first stage classification results showed 82 % accuracy on young faces , 58 % accuracy on middle-aged faces , and 92 % accuracy on elderly faces . The overall accuracy of age classification in the three age categories was 77.3 % .

The second stage BC was constructed in the same way as the first stage ( described above ) . Figure 11 shows a visual example of age estimation in the first stage of the proposed algorithm .