赵准，陈淑荣

（上海海事大学信息工程学院，上海 201306）

0 引言

年龄，作为人的生物特征之一，在辅助身份验证、网络安全、寻找失踪儿童等领域具有重要应用价值。由于人脸的视觉年龄受遗传因素、照片拍摄环境等影响，易导致图像预测的人脸年龄精度偏低，进而影响后续的脸部属性分析，因此提高年龄识别率有重要研究价值。

当前人脸年龄识别研究主要利用以卷积神经网络为代表的深度学习方法。如Hassner等［1］提出一种仅由3 个卷积层和2 个全连接层组成的浅层网络，在Adience 数据集上进行的年龄识别精度较好，但容易过拟合。耿凯悦等［2］基于18 层残差网络，将单通道的瓶颈残差模块拆分成多个通道的并行网络用于年龄识别，准确率略有提升。顾正东等［3］提出由多个并行CNN 和一个DBN 堆叠成深度融合网络（DFN）进行人脸年龄识别，用并联CNN 提取人脸图像多个区域的外观特征，再串接输入到DBN 网络进行非线性融合，年龄识别准确率有所提升，但需多次迭代迁移学习以降低因样本有限引起的过拟合。

为增强网络特征表达能力以提高真实场景下人脸年龄识别的准确率，本文结合残差网络和自校准卷积思想，建立了一种自校准残差网络（selfcalibration residual network，SC-ResNet）的年龄识别模型。将SC-ResNet 残差学习模块提取到的人脸面部特征通过自校准卷积（self-calibration block，SC-block）进行校准处理，扩大局部特征提取范围，使提取的面部特征信息更具区分度；最后采用Softmax 结合交叉熵损失函数进行年龄分类。

1 本文SC-ResNet网络模型

传统卷积残差网络提取人脸特征时，由于受到卷积核感受野的限制，易丢失上下文信息从而影响年龄识别准确率。……