年龄预测网络生成、年龄预测方法、装置、设备和介质与流程

1.本公开的实施例涉及计算机技术领域，具体涉及年龄预测网络生成方法、年龄预测方法、装置、设备和计算机可读介质。


背景技术：

2.年龄预测算法可以根据输入的人脸图像，输出该人脸图像所显示的人脸的年龄。通过采用包含多个分类器的年龄预测网络，由于考虑了不同年龄之间的关联性，从而可以提高生成的年龄预测网络的预测准确率。
3.然而，当采用上述方式生成年龄预测网络时，经常会存在如下技术问题：
4.分类器的阈值需要人工确定，往往依赖于经验，不具备通用性，准确性难以保证。而阈值的准确性直接影响年龄预测网络的预测准确性。


技术实现要素：

5.本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。本公开的一些实施例提出了年龄预测网络生成方法、年龄预测方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
6.第一方面，本公开的一些实施例提供了一种年龄预测网络生成方法，该方法包括：获取训练样本集，训练样本集中的训练样本包括人脸图像和人脸图像对应的标注年龄信息向量；获取待训练年龄预测网络，待训练年龄预测网络包括多个分类器和阈值预测网络，其中，每个分类器用于确定人脸图像中所显示的人脸对应的年龄与目标年龄的大小关系，阈值预测网络用于预测多个分类器的分类阈值；利用训练样本集对待训练年龄预测网络进行训练，得到年龄预测网络。
7.第二方面，本公开的一些实施例提供了将待处理人脸图像输入年龄预测网络，得到待处理人脸图像对应的年龄信息向量和分类阈值；年龄预测网络是根据第一方面中任一实现方式描述的方法生成的；基于待处理人脸图像对应的年龄信息向量和分类阈值，生成待处理人脸图像对应的年龄。
8.第三方面，本公开的一些实施例提供了一种年龄预测网络生成装置，装置包括：样本集获取单元，被配置成获取训练样本集，训练样本集中的训练样本包括人脸图像和人脸图像对应的标注年龄信息向量；网络获取单元，被配置成获取待训练年龄预测网络，待训练年龄预测网络包括多个分类器和阈值预测网络，其中，每个分类器用于确定人脸图像中所显示的人脸对应的年龄与目标年龄的大小关系，阈值预测网络用于预测多个分类器的分类阈值；训练单元，被配置成利用训练样本集对待训练年龄预测网络进行训练，得到年龄预测网络。
9.第四方面，本公开的一些实施例提供了一种年龄预测装置，包括：预测单元，被配
置成将待处理人脸图像输入年龄预测网络，得到待处理人脸图像对应的年龄信息向量和分类阈值，其中，年龄预测网络是根据上述第一方面任一实现方式描述的方法生成的；生成单元，被配置成基于待处理人脸图像对应的年龄信息向量和分类阈值，生成待处理人脸图像对应的年龄。
10.第五方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
11.第六方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
12.本公开的上述各个实施例具有如下有益效果：通过在年龄预测网络中设置阈值预测网络，从而提高年龄预测网络的预测准确性。具体来说，影响年龄预测网络的预测准确性的原因在于：分类器的阈值需要人工确定。基于此，本公开的一些实施例的年龄预测网络生成方法，通过在年龄预测网络中设置阈值预测网络，从而在进行年龄预测时，不需要人工确定阈值，而可以由网络自动生成阈值，从而排除了主观影响，提高年龄预测网络的预测准确性。
附图说明
13.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
14.图1是根据本公开的一些实施例的年龄预测网络生成方法的一个应用场景的示意图；
15.图2是根据本公开的年龄预测网络生成方法的一些实施例的流程图；
16.图3是根据本公开的年龄预测网络生成方法的另一些实施例的流程图；
17.图4是根据本公开的年龄预测方法的一些实施例的流程图；
18.图5是根据本公开的年龄预测网络生成装置的一些实施例的结构示意图；
19.图6是根据本公开的年龄预测装置的一些实施例的结构示意图
20.图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
21.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
22.另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
23.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
24.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域
技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
25.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
26.下面将参考附图并结合实施例来详细说明本公开。
27.图1是根据本公开一些实施例的年龄预测网络方法的一个应用场景的示意图。
28.如图1所示，年龄预测网络生成方法的执行主体可以是电子设备101。在此基础上，电子设备101可以首先获取训练样本集102。训练样本集102中的训练样本包括人脸图像和人脸图像对应的标注年龄信息向量。在此基础上，电子设备101还可以获取待训练年龄预测网络103。作为示例，待训练年龄预测网络103包括卷积块(如图中卷积块1、卷积块2、卷积块3、卷积块4)、全连接层、多个分类器和阈值预测网络。每个分类器用于确定人脸图像中所显示的人脸对应的年龄与目标年龄的大小关系。作为示例，可以包括100个分类器。各个分类器对应的目标年龄可以是1、2、3
……
100。从而，每个分类器可以用于确定人脸图像对应的年龄是否大于目标年龄。另外，待训练年龄预测网络103还包括阈值预测网络。阈值预测网络用于预测多个分类器的分类阈值。
29.在此基础上，电子设备101可以利用训练样本集102对待训练年龄预测网络103进行训练，得到年龄预测网络104。
30.继续参考图2，示出了根据本公开的年龄预测网络生成方法的一些实施例的流程200。该年龄预测网络生成方法，包括以下步骤：
31.步骤201，获取训练样本集，训练样本集中的训练样本包括人脸图像和人脸图像对应的标注年龄信息向量。
32.在一些实施例中，年龄预测网络生成方法的执行主体可以首先获取训练样本集。其中，训练样本集中训练样本包括人脸图像和人脸图像对应的标注年龄信息向量。作为示例，人脸图像a对应的标注年龄信息向量可以是[1,1,1,1,1,0,0,0,0]。实践中，人脸图像对应的标注年龄信息向量可以是人工确定的，也可以是自动生成的。其中，标注年龄信息向量的长度可以根据实际需要确定。例如，其长度可以与分类器的个数一致。
[0033]
步骤202，获取待训练年龄预测网络，待训练年龄预测网络包括多个分类器和阈值预测网络，其中，每个分类器用于确定人脸图像中所显示的人脸对应的年龄与目标年龄的大小关系，阈值预测网络用于预测多个分类器的分类阈值。
[0034]
在一些实施例中，上述执行主体可以获取待训练年龄预测网络。其中，待训练年龄预测网络包括多个分类器和阈值预测网络。可选的，还可以包括多个特征提取网络(例如卷积块)、全连接层等其他网络结构。根据实际需要，多个特征提取网络、全连接层、多个分类器和阈值预测网络可以有不同的连接方式。作为示例，可以采用如图1所示的连接方式，即多个特征提取网络的输出作为全连接层的输入，而全连接层的输出分别作为多个分类器和阈值预测网络的输入。作为又一示例，也可以将多个特征提取网络的输出作为全连接层的输入，将全连接层的输出作为多个分类器，以及将任一特征提取网络的输出作为阈值预测网络的输入。当然，根据实际需要，还可以采用其他的连接方式。
[0035]
其中，每个分类器用于确定人脸图像中所显示的人脸对应的年龄与目标年龄的大小关系。例如，可以确定人脸图像中所显示的人脸对应的年龄是否大于或等于目标年龄。又如，也可以确定是否小于或等于目标年龄。分类器的结构可以根据需要进行选择。作为示
例，可以采用sigmoid函数作为二分类器。此时，假如某个二分类器对应的目标年龄是5，该二分类器可以用于判断人脸图像中所显示的人脸对应的年龄是否大于或等于5。
[0036]
其中，各个分类器对应的目标年龄各不相同。分类器的个数可以根据实际需要确定。例如，可以通过人工指定方式确定，考虑到人的年龄的范围，因此可以包括100个分类器，此时各个分类器对应的目标年龄可以是1、2、3
……
100。
[0037]
可选的，分类器的个数与训练样本集对应的不同年龄的个数匹配。例如，分类器的个数与不同年龄的个数的差可以是一。
[0038]
实践中，作为示例，阈值预测网络可以采用全连接网络。作为示例，阈值预测网络的输出也可以是一个多维向量，其维度可以与分类器的个数匹配。
[0039]
步骤203，利用训练样本集对待训练年龄预测网络进行训练，得到年龄预测网络。
[0040]
在一些实施例中，上述执行主体可以利用训练样本集对待训练年龄预测网络进行训练，得到年龄预测网络。
[0041]
在一些实施例的一些可选的实现方式中，利用训练样本集对待训练年龄预测网络进行训练，得到年龄预测网络，包括：
[0042]
第一步，将训练样本中的人脸图像输入待训练年龄预测网络，得到预测年龄信息向量和预测分类阈值。
[0043]
第二步，基于预测年龄信息向量和训练样本包括的标注年龄信息向量，确定年龄信息损失值。
[0044]
作为示例，预测年龄信息向量和标注年龄信息向量的维度相同。此时，可以分别确定预测年龄信息向量和标注年龄信息向量对应维度的值的交叉熵；对于各个维度的交叉熵求和，得到年龄信息损失值。
[0045]
可选的，预测年龄信息向量和标注年龄信息向量的维度也可以不相同。此时，需要先进行维度变换，以使得二者维度相同。
[0046]
第三步，基于标注年龄信息向量与预测分类阈值，确定阈值损失值。
[0047]
作为示例，对于标注年龄信息向量与预测分类阈值的维度相同的情形，上述执行主体可以将对于预测年龄信息向量与预测分类阈值逐位相减，得到差值向量z。然后，可以将z输入sigmoid函数从而得到归一化差值向量p：
[0048][0049]
在此基础上，基于预设损失函数，确定p和标注年龄信息向量y∈r
k-1
(k-1维实数向量)之间的差异，即阈值损失值。其中，pi和zi分别为p和z的第i个元素。例如，分别确定归一化差值向量与标注年龄信息向量对应维度的值的交叉熵；对于各个维度的交叉熵求和，得到阈值损失值。具体的，可以通过以下公式确定阈值损失值l
threshold
：
[0050][0051]
其中，yi代表y的第i个元素。
[0052]
作为示例，对于标注年龄信息向量与分类阈值的维度不相同的情形，可以先进行维度变换，以使得二者维度相同。在此基础上，采用与上述类似的方式确定阈值损失值。
[0053]
第四步，基于年龄信息损失值和阈值损失值，调整待训练年龄预测网络的参数。
[0054]
作为示例，可以确定年龄信息损失值和阈值损失值之和，作为总损失值。然后，利用反向传播的方式，将总损失值反向传入网络，以及对于每一层，利用梯度下降的方式调整其参数，从而对网络的参数进行调整。
[0055]
可选的，与上述的实现方式不同，还可以通过预测年龄信息向量与预测分类阈值，确定阈值损失值。具体的，对二者逐位进行相减，得到阈值损失值。在此基础上，其余训练步骤可以参考上述实现方式，在此不再赘述。
[0056]
在一些实施例中，通过在年龄预测网络中设置阈值预测网络，从而在进行年龄预测时，不需要人工确定阈值，而可以由网络自动生成阈值，从而排除了主观影响，提高年龄预测网络的预测准确性。
[0057]
进一步参考图3，其示出了年龄预测网络生成方法的另一些实施例的流程300。该年龄预测网络生成方法的流程300，包括以下步骤：
[0058]
步骤301，获取训练样本集，训练样本集中的训练样本包括人脸图像和人脸图像对应的标注年龄信息向量。
[0059]
在一些实施例中，人脸图像对应的标注年龄信息向量是通过以下步骤生成的：
[0060]
第一步，确定人脸图像中所显示的人脸对应的年龄。例如，可以接收标注人员输入的年龄作为人脸图像中所显示的人脸对应的年龄，即人脸图像对应的年龄。实践中，根据需要，可以接收n个标注人员输入的年龄，即年龄的取值范围可以根据实际需要进行确定，例如的取值范围可以是1到100之间的整数。在此基础上，人脸图像对应的年龄a可以是：
[0061][0062]
其中，代表对*进行向下取整操作。
[0063]
第二步，将年龄a转化为包括k-1个维度的向量，其中，k为训练样本集对应的不同年龄的个数。
[0064]
作为示例，可以将年龄a可以转化为向量y∈r
k-1
。向量的第i个元素(即，第i个维度的值)yi,i∈[1,
…
,k-1]可以通过以下方式计算：
[0065][0066]
举例来说，假设k的取值为10，年龄a的取值为5，那么，可以转化为[1，1，1，1，0，0，0，0，0]。当然，可选的，根据需要k也可以是其他的取值，例如可以是预先指定的数值(如100)。
[0067][0068]
可以看出，通过上述步骤确定的标注年龄信息向量中的每个标注年龄信息(例如向量中的“1”或“0”)表征该信息在向量中的排序是否大于或等于人脸图像中所显示的人脸对应的年龄。
[0069]
步骤302，获取待训练年龄预测网络，待训练年龄预测网络包括多个分类器和阈值预测网络，其中，每个分类器用于确定人脸图像中所显示的人脸对应的年龄与目标年龄的
大小关系，阈值预测网络用于预测多个分类器的分类阈值。
[0070]
在一些实施例中，待训练年龄预测网络还包括：多个依次连接的特征提取块、全连接层。其中，多个依次连接的特征提取块用于提取不同层次或不同类型的特征，而全连接层用于对不同的特征进行融合。
[0071]
步骤303，将人脸图像输入多个依次连接的特征提取块和全连接层，得到人脸年龄特征。
[0072]
在一些实施例中，上述执行主体可以将人脸图像输入多个依次连接的特征提取块，以及将最后一个特征提取块的输出输入全连接层，进而得到人脸年龄特征。作为示例，特征提取块可以包括多个卷积层。
[0073]
步骤304，将人脸年龄特征输入多个分类器，以及将每个分类器的输出作为预测年龄信息，得到预测年龄信息向量。
[0074]
在一些实施例中，每个分类器所输出的预测年龄信息可以用于表征人脸图像对应的年龄是否大于等于该分类器对应的目标年龄。当然，根据需要，也可以是小于等于、小于、大于等等关系。
[0075]
步骤305，将人脸年龄特征输入阈值预测网络，得到预测分类阈值。
[0076]
在一些实施例中，上述执行主体可以将人脸年龄特征输入阈值预测网络，得到预测分类阈值。
[0077]
步骤306，基于预测年龄信息向量和训练样本包括的标注年龄信息向量，确定年龄信息损失值。
[0078]
步骤307，基于标注年龄信息向量与预测分类阈值，确定阈值损失值。
[0079]
步骤308，基于年龄信息损失值和阈值损失值，调整待训练年龄预测网络的参数。
[0080]
在一些实施例中，步骤306-308的具体实现及其所带来的技术效果，可以参考图2对应的那些实施例中的步骤203对应的内容，在此不再赘述。
[0081]
在一些实施例中，通过多个依次连接的特征提取块、全连接层可以提取不同层次的特征，并进行特征融合。在此基础上，基于融合后的特征分别进行阈值预测年龄信息预测，可以得到更加准确的预测结果。
[0082]
进一步参考图4，其示出了年龄预测方法的一些实施例的流程400。该年龄预测方法的流程400，包括以下步骤：
[0083]
步骤401，将待处理人脸图像输入年龄预测网络，得到待处理人脸图像对应的年龄信息向量和分类阈值。
[0084]
在一些实施例中，年龄预测网络是根据本公开的一些实施例的年龄预测网络生成方法生成的。
[0085]
步骤402，基于待处理人脸图像对应的年龄信息向量和分类阈值，生成待处理人脸图像对应的年龄。
[0086]
在一些示例中，作为示例，年龄预测方法的执行主体可以基于年龄信息向量和分类阈值，得到待处理人脸图像对应的年龄。
[0087]
例如，可以对于每个分类器输出的分类概率值，即年龄信息，与对应的分类阈值进行比较，若大于或等于分类阈值，确定为1；若小于分类阈值，则确定为0，进而得到均为0或1的向量，例如年龄向量信息可以是[0.9,0.8,0.7,0.6,0.8,0.6,0.5,0.6,0.3]。分类阈值
为：0.8 0.5 0.6 0.5 0.7 0.9 0.8 0.9 0.5。因此，可以进行比较可以得到向量[1,1,1,1,1,0,0,0,0]。然后，可以逐位相加，然后与常数相加，得到待处理人脸图像对应的年龄。举例来说，对于向量[1,1,1,1,1,0,0,0,0]，逐位相加得到数值为5，然后与常数1相加，得到年龄为6。
[0088]
从图4中可以看出，图4对应的一些实施例中的年龄预测方法，通过年龄预测网络生成年龄信息向量，进而得到待处理人脸图像对应的年龄，实现更加准确的年龄预测。
[0089]
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种年龄预测网络生成装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0090]
如图5所示，一些实施例的年龄预测网络生成装置500包括：样本集获取单元501、网络获取单元502和训练单元503。其中，样本集获取单元501被配置成获取训练样本集，训练样本集中的训练样本包括人脸图像和人脸图像对应的标注年龄信息向量。网络获取单元502被配置成获取待训练年龄预测网络，待训练年龄预测网络包括多个分类器和阈值预测网络，其中，每个分类器用于确定人脸图像中所显示的人脸对应的年龄与目标年龄的大小关系，阈值预测网络用于预测多个分类器的分类阈值。训练单元503被配置成利用训练样本集对待训练年龄预测网络进行训练，得到年龄预测网络。
[0091]
在一些实施例的可选实现方式中，训练单元503进一步被配置成将训练样本中的人脸图像输入待训练年龄预测网络，得到预测年龄信息向量和预测分类阈值；基于预测年龄信息向量和训练样本包括的标注年龄信息向量，确定年龄信息损失值；基于标注年龄信息向量与预测分类阈值，确定阈值损失值；基于年龄信息损失值和阈值损失值，调整待训练年龄预测网络的参数。
[0092]
在一些实施例的可选实现方式中，人脸图像对应的标注年龄信息向量是通过以下步骤生成的：确定人脸图像中所显示的人脸对应的年龄；将年龄转化为包括k-1个维度的向量，其中，k为训练样本集对应的不同年龄的个数；将向量确定为人脸图像对应的标注年龄信息向量，其中，向量的每个维度的值表征维度在标注年龄信息向量中的排序是否大于或等于人脸图像中所显示的人脸对应的年龄。
[0093]
在一些实施例的可选实现方式中，预测年龄信息向量和标注年龄信息向量的维度相同；以及训练单元503进一步被配置成分别确定预测年龄信息向量和标注年龄信息向量对应维度的值的交叉熵；对于各个维度的交叉熵求和，得到年龄信息损失值。
[0094]
在一些实施例的可选实现方式中，标注年龄信息向量与预测分类阈值的维度相同；以及训练单元503进一步被配置成对于预测年龄信息向量与预测分类阈值对应的维度求差，得到差值向量；将差值向量进行归一化处理，得到归一化差值向量；分别确定归一化差值向量与标注年龄信息向量对应维度的值的交叉熵；对于各个维度的交叉熵求和，得到阈值损失值。
[0095]
在一些实施例的可选实现方式中，待训练年龄预测网络还包括：多个依次连接的特征提取块和全连接层；以及训练单元503进一步被配置成将人脸图像输入多个依次连接的特征提取块和全连接层，得到人脸年龄特征；将人脸年龄特征输入多个分类器，以及将每个分类器的输出作为预测年龄信息，得到预测年龄信息向量。
[0096]
在一些实施例的可选实现方式中，训练单元503进一步被配置成将人脸年龄特征
输入阈值预测网络，得到预测分类阈值。
[0097]
可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
[0098]
下面参考图6，作为对上述各图所示方法的实现，本公开提供了一种年龄预测装置的一些实施例，这些装置实施例与图4所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0099]
如图6所示，一些实施例的一种年龄预测装置600，包括：预测单元601、生成单元602。其中，预测单元601被配置成将待处理人脸图像输入年龄预测网络，得到所述待处理人脸图像对应的年龄信息向量和分类阈值。生成单元602，被配置成基于所述待处理人脸图像对应的年龄信息向量和所述分类阈值，生成所述待处理人脸图像对应的年龄。
[0100]
可以理解的是，该装置600中记载的诸单元与参考图4描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。
[0101]
下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备)700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
[0102]
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储装置708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、rom 702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
[0103]
通常，以下装置可以连接至i/o接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
[0104]
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从rom 702被安装。在该计算机程序被处理装置701执行时，执行本公开的一些实施例的方法中限定的上述功能。
[0105]
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导
线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0106]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0107]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取训练样本集，训练样本集中的训练样本包括人脸图像和人脸图像对应的标注年龄信息向量；获取待训练年龄预测网络，待训练年龄预测网络包括多个分类器和阈值预测网络，其中，每个分类器用于确定人脸图像中所显示的人脸对应的年龄与目标年龄的大小关系，阈值预测网络用于预测多个分类器的分类阈值；利用训练样本集对待训练年龄预测网络进行训练，得到年龄预测网络。
[0108]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0109]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令
的组合来实现。
[0110]
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括样本集获取单元、网络获取单元、训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，样本集获取单元还可以被描述为“获取训练样本集的单元”。
[0111]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0112]
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。