1、基于CNN的年齡和性別檢查2012年正式學(xué)習(xí)火種后，出現(xiàn)了Alex net、vgg16、vgg19、Google net、caffeNet、faster RCNN等多種型號(hào)，展現(xiàn)了文藝復(fù)興時(shí)期的面貌。各種最高會(huì)論文中檢測(cè)年齡和性別的論文仍然比較少。本文介紹了2015年cvpr，age and gender class ification using convolutional neural networks。官方鏈接為http:/www . openu . AC . il/home/hasnner/projects/CNN _ age gender/理論基礎(chǔ)：整個(gè)結(jié)構(gòu)如下圖所示，輸入圖，通過(guò)3

2、個(gè)卷基礎(chǔ)、2個(gè)完整鏈路層、SVM分類器輸出相應(yīng)的結(jié)果。詳細(xì)結(jié)構(gòu)如下圖所示。其中，norm層旨在提高模型的一般化程度，避免重疊。左右兩側(cè)分別是卷1、2、3、6、7和8的完整連接層。運(yùn)行程序：您可以編寫(xiě)簡(jiǎn)單的shell腳本來(lái)運(yùn)行測(cè)試。touch .shell文件可以任意命名，輸入以下腳本，然后運(yùn)行命令行以輸出結(jié)果。其中，路徑名替換為計(jì)算機(jī)上的物理路徑名。plain view plain copy #！/bin/bash # directed by water sink(watersink 2016 G)echo beging ender./build/examples/CPP _

3、class ification/class ification . bin Models/CNN _ age _ gender/deploy./build/examples/CPP _ class ification/class ification . bin Models/CNN _ age _ gender/deployDeploy_totxt、deploy_totxt分別是性別、年齡分布或測(cè)試時(shí)的模型文件Gender_net.caffemodel、age_net.caffemodel分別是性別和年齡訓(xùn)練有素的權(quán)重文件Mean.binaryproto，針對(duì)

4、訓(xùn)練樣本的平均檔案，在降低平均值時(shí)使用，可以獲得更好的偵測(cè)效果Genderlabels.txt，agelabels.txt是性別和年齡的標(biāo)簽文件，具體內(nèi)容如下Genderlabels.txt的內(nèi)容：plainview plain copy male 1 female 0Agelabels.txt的內(nèi)容：plainview plain copy 0-2 0 4-6 1 8-13 2 15-20 3 25-32 4 38-43 5 48-53 6 60-7 example _ image . jpg實(shí)驗(yàn)所需的照片年齡識(shí)別率：培訓(xùn)自己的模型：論文的原作者提出了自己的5文件夾訓(xùn)練文件，首先分析原作者的

5、訓(xùn)練資料。通過(guò)以上資料可以看出，性別數(shù)據(jù)的反對(duì)基本上是以1:1的比例進(jìn)行的。在年齡方面，雖然沒(méi)有執(zhí)行約1:136363603360:1360:33336333633336333633363336333633633633633636363636336363636363636360:11的比率，但個(gè)人認(rèn)為，這種訓(xùn)練比率是非常不科學(xué)、合理的所謂迷你部署，在各部署中的特性和整體必須基本相同。簡(jiǎn)單地說(shuō)，隨機(jī)給一張圖像，在這個(gè)圖像中，角色屬于哪個(gè)年齡段，即平均概率。(個(gè)人觀點(diǎn)，如果有錯(cuò)誤，希望大家改正)下面通過(guò)簡(jiǎn)單的c程序獲得與作者相同的txt文件。CPPview plain copy intmain()

6、 vector string file _ folder；file _ folder . push _ back( fold _ 0 _ data . txt )；file _ folder . push _ back( fold _ 1 _ data . txt )；file _ folder . push _ back( fold _ 2 _ data . txt )；file _ folder . push _ back( fold _ 3 _ data . txt )；file _ folder . push _ back( fold _ 4 _ data . txt )；of str

7、eam file _ stream _ gender _ out( gender . txt ，IOs 3363603360 app)；of stream file _ stream _ age _ out( age . txt ，IOs 3363603360 app)；char buffer500；Charstr1 50、str2 50、str3 50、str4 50、str5 50、str 650；for(int I=0)；I file _ folder . size()；I) ifstream file _ stream _ in(file _ folderI)；File _ strea

8、m _ in.getline (buffer，400)；/提取標(biāo)題while(！file _ stream _ in . eof() file _ stream _ in . getline(buffer，400)；Sscanf(緩沖區(qū)、“% s % s % s % s % s % s % s % s”、str1、str2、str3、str4、str5、str 6)；String tmp1=str3，tmp2=str2string address= f : my dataset a dience aligned landmark _ aligned _ facetmp1 . tmp2mat i

9、mage=im read(address)；if(image . data) if(str 40=()file _ stream _ age _ out a dience/ landmark _str3 . str 2 str 4 str 5 endl；If (strcmp (str6， f )=0 | | strc MP(str 6， m )=0)file _ stream _ genderstr3 . str2 str6 endlElse if (strcmp (str5， f )=0 | | str CMP(str 5， m )=0)file _ stream str3 . str2 s

10、tr5 endl file _ stream _ in . close()； file _ stream _ gender _ out . close()；file _ stream _ age _ out . close()；return 0；程序運(yùn)行結(jié)束后，將創(chuàng)建age.txt和gender.txt，這兩個(gè)文件可用于執(zhí)行相應(yīng)的培訓(xùn)任務(wù)。當(dāng)然，要取得更好的結(jié)果，可以考慮以下三個(gè)建議：(1)平均分布txt中的數(shù)據(jù)，不要同時(shí)使用多個(gè)相同的標(biāo)簽，否則，如果需要在輸入層次結(jié)構(gòu)中設(shè)置shuffle，也可以達(dá)到相同的效果。(2)增加特定樣本，使年齡各階段的數(shù)量大致相等(3)使用256*256縮放圖像并進(jìn)

11、行aligement本人創(chuàng)建了大小為256*256的aligement，如下圖所示將create_imagenet.sh從Caffe root/examples/imagenet/(caffe root作為caffe的根)復(fù)制到，將Make_imagenet_mean.sh、train_caffenet.sh復(fù)制到您自己的項(xiàng)目中，分別命名為create_age.sh、make_age_mean.sh和train(如果在此階段有任何問(wèn)題，請(qǐng)留言)年齡訓(xùn)練：運(yùn)行Create_age.sh、make_age_mean.sh、運(yùn)行和train_age.sh可以確定68.95%的識(shí)別率性別培訓(xùn)：執(zhí)行Create_gender.sh。運(yùn)行，make_ge