32、年龄与性别预测及文本行分割技术解析

年龄与性别预测及文本行分割技术解析

年龄与性别预测

在年龄和性别预测的研究中，不同的优化器和特征提取器展现出了不同的性能。

1. 优化器性能比较

   • 实验结果显示，Adam及其变体（如Adamax）表现最佳，收敛速度更快。
   • 与之对比，使用随机梯度下降（SGD）训练的模型学习速度缓慢，尤其是在处理年龄估计任务时，更早达到饱和状态。

2. 特征提取器性能对比

   • 对不同特征提取器进行了性能比较，结果如下表所示：
     | 特征提取器 | 年龄估计（MAE） | 性别分类（准确率） |
     | — | — | — |
     | VGG_f | 4.86 | 93.42 |
     | ResNet50_f | 4.65 | 94.64 |
     | SENet50_f | 4.58 | 94.94 |
   • 从表中可以看出，SENet - 50_f提取的特征在年龄估计和性别分类两个任务中均表现最优，尽管VGG_f训练的层数更多。

3. 与其他工作的对比

   • 与其他相关研究的对比结果如下表：
     | 方法 | 年龄估计（MAE） |
     | — | — |
     | 线性回归 | 11.73 |
     | ResNet50 | 9.66 |
     | Inception