前言

?????? 作為IP模式識別的CNN初始模型是作為單純判別式-模式識別存在的，并以此為基本模型擴展到各個方向。基本功能為圖像判別模型，此后基于Loc+CNN的檢測模型-分離式、end2end、以及MaskCNN模型，而后出現基于CNN的預測模型-AcGans。

?????? CNN作為一個基本判別式模型簡化為數學模型依然為一個函數映射f(x)->y;? 基于CNN的檢測模型數學模型為 L(x)+f(x)->y,其中L(x)依然為判別式，給出loc信息，二維的為(y1,y2)點對；? 基于CNN的Mask給出每個Pixel的類別信息，數學模型可以簡化為 k(x).f(x)—k(x).y，其中K(x)為一個與點位置線性相關的函數；

?????? 到了AcGans, 例如基于年齡的預測，CNN為其組成部分之一，而生成式為主要目的服務，數學模型可以簡化為g( f0(f2)*f2(x) )—y，把一個判別式f(x)分離為維持不變性的 f0(x)和用于分離的 f2(x)，其中f0(x)滿足生成式約束不變性， f2(x)滿足特征提取-數據輸入不變性約束，以滿足使用數據完成訓練生成模型所要求，以及處理輸入的特征提取模型。

?????? 通過訓練的模型，數據流為f2(x)*X—>f2(X),通過特征提取函數，生成紋理特征； f0*f2(X)—>f0(f2(X)

...........................................

??????? 先驅：StarGANs的論文：《StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation 》，使用單一模型執行多個領域的圖像轉換。

論文簡介

參考：CVPR2018值得一看的25篇論文....

intro 和 related works 主要講了現有方案大多將年齡信息優先而 identity 信息次之，換句話說，就是生成不同年齡的同時，identity 信息不能很好保留。

Generator 部分不做介紹，無亮點，本文亮點在 loss 部分和特征提取器的跨級并聯結構上。

文中提出了特征提取器用于提出特定特征，原因是作者認為相同年齡段的不同人臉有著相同的的紋理等特定信息，而這個提取器就是提取出這些特征。此外，該分類器是經過 age 分類任務預訓練好了的。

文中和今年很多思路一樣，考慮到了 low-level 和 high-level 信息，將第 2、4、7 等層信息 concat 起來，作為 d 的輸入。

identity 信息的保留和上一個 extractor 類似，在人臉分類數據集上預訓練，然后拿來直接當 extractor。

? 獨立訓練最優G和D，然后得到G學習到一個年齡變換，D作為一個可靠的分類函子。

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的Learning Face Age Progression: A Pyramid Architecture of GANs的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。