來自都柏林大學，英特爾愛爾蘭大學和德克薩斯大學聖安東尼奧大學的科學家團隊通過基於基於回歸的模型的創新方法改進了生物識別未成年年齡估計績效。
該模型被稱為Vec2uage，使用faceNet嵌入並用作特徵向量的面部嵌入，從外觀和自拍照生物識別數據集中訓練該模型。
然後創建了第三個公正的數據集，以允許平衡測試和驗證。
一般而言，根據新研究，年齡估計模型依賴於年齡標記的，優質的圖像，但是面部生物識別數據集中的準確年齡註釋通常不足。
“某些年齡段的樣本很少，尤其是未成年年齡範圍”，報告閱讀。 “由於法律限制和道德意義，很難找到該年齡範圍的數據集。”
Yoti正在研究構建自己的數據庫以估算年齡生物識別技術在很大程度上解決了同樣的問題。
為了解決這個問題，研究人員選擇了IMDB-Wiki和Adience數據集，分別擁有500K和26K年齡分類的圖像。
在實驗過程中，團隊還利用了各種增強技術來進一步擴展訓練數據集，然後測量了深度神經網絡的學習率（LR）。
對於上下文，LR在這裡指的是系統應為每次更新數據集更新的估計錯誤而更改模型的數量。
太小的值可能會導致訓練過程變得太慢並最終停止，而一個價值太大可能會導致系統進入不穩定的訓練過程，或者使其學習一組最佳的權重。
為了找到LR的最佳初始值，研究人員隨後使用了循環學習率方法。然後，他們評估了算法的隨之而來的性能，並得出結論新模型的性能比當今大多數算法更好。該模型的平均絕對錯誤率為2。36年。
報告解釋說：“當前的模型通常試圖解決影響年齡估計表現的幾個具有挑戰性的因素，例如面部遮擋，非額外面孔，亮度，對比度，質量等。” “在我們的方法中，解決了一個更簡單的挑戰，並實現了更好的表現。”
該團隊表示，將繼續探索模型以提高生物特徵年齡估計的性能，尤其是通過使用用於Optuna（例如Optuna）的高參數優化框架。
