在野外进行年龄和性别识别是一项充满挑战的任务：除了环境条件的多变、姿势复杂和图像质量的差异外，还存在面部部分或完全遮挡的情况。MiVOLO（多输入VOLO）是一种简单的方法，利用最新的视觉Transformer进行年龄和性别估计。该方法将这两个任务整合到一个统一的双输入/输出模型中，不仅利用了面部信息，还利用了人物图像数据。这提高了模型的泛化能力，使其能够在图像中面部不可见时依然能够提供令人满意的结果。为了评估该模型，在四个流行的基准数据集上进行了实验，并取得了最先进的性能，同时展示了实时处理的能力。此外，还基于Open Images数据集中的图像引入了一种新的基准数据集。该基准数据集的地面真实标注由人类标注者精心生成，并通过智能汇总投票结果来保证高准确性。此外，将模型的年龄识别性能与人类水平的准确性进行了比较，并展示了在大多数年龄范围内明显优于人类的表现。最后，向公众提供了对模型的访问权限，以及用于验证和推理的代码。此外，还为使用的数据集提供了额外的注释，并介绍了新的基准数据集。
Clone with HTTP
git clone https://www.modelscope.cn/monetjoe/human-detector.git
Reference
[1] MiVOLO: Multi-input Transformer for Age and Gender Estimation
评论