顔画像からの年齢推定と性別分類を同時に行うための、タスク認識重み付きアンサンブルを備えたTransformerベースのマルチタスク学習
Transformer-Based Multi-Task Learning with a Task-Aware Weighted Ensemble for Simultaneous Age Estimation and Gender Classification from Facial Images
顔画像からの年齢推定と性別分類は、顔の姿勢、照明、表情、オクルージョン、画像品質、年齢に関連する形態学的変化による外観のばらつきのため、依然として困難な課題である。本研究では、共有特徴抽出バックボーンとタスク固有の予測ヘッドを使用して、年齢推定と性別分類を共同で実行するTransformerベースのマルチタスク学習(MTL)フレームワークを提案する。Vision Transformer(ViT)、Shifted Window Transformer(Swin Transformer)、Data-efficient Image Transformer(DeiT)の3つの最先端のVision Transformerを提案MTLアーキテクチャ内に実装し、グローバルな文脈情報と局所的な顔の特徴の両方を学習した。さらに、標準アンサンブルとタスク認識重み付きアンサンブル(TAWE)の2つのアンサンブル学習戦略を開発し、個々のTransformerモデルの相補的な強みを活用した。実験は、15,503枚の顔画像を含む公開されているUTKFaceデータセットで実施され、10,385枚のトレーニング、1833枚の検証、3285枚のテストサンプルに分割された。モデルトレーニング中に性別バランスを適用してクラス不均衡を軽減した。年齢推定性能は平均絶対誤差(MAE)と二乗平均平方根誤差(RMSE)で評価され、性別分類性能は精度とF1スコアで評価された。実験結果は、提案されたTAWEが評価されたアンサンブル戦略の中で最良の点推定値を達成し、MAE 4.8905、RMSE 6.4674、性別分類精度94.86%、F1スコア95.17%を達成したことを示している。TAWEは、等重み平均と比較して、性別分類精度で統計的に有意な改善をもたらしたが、年齢推定の改善はわずかであり、統計的に有意ではなかった。
- ViT・Swin Transformer・DeiTを共有バックボーン+タスク別ヘッドのMTL構成に実装し、標準アンサンブルとタスク認識重み付きアンサンブル(TAWE)の2戦略を開発・比較した
- 公開UTKFaceデータセット(15,503枚:学習10,385/検証1,833/テスト3,285)で評価し、TAWEがMAE 4.8905、RMSE 6.4674、性別分類精度94.86%、F1スコア95.17%を達成した
- TAWEは等重み平均比で性別分類精度に統計的に有意な改善をもたらしたが、年齢推定の改善はわずかで統計的有意性はなかった
顔画像からの年齢推定・性別分類を同時に行うTransformerベースのマルチタスク学習の研究で、ViT/Swin/DeiTを統合しタスク認識重み付きアンサンブル(TAWE)でMAE 4.89、性別分類精度94.86%を達成した。ただしUTKFaceという公開データセット上のアカデミックなベンチマーク改善に留まり、商用製品化や企業の関与は示されておらず、投資判断に直結する材料は乏しい。注目点はタスク認識重み付きアンサンブルという手法が、年齢推定・属性推定など複数タスクを同時に扱う顔認識・本人確認・年齢確認(規制対応)用途の実運用モデルに応用可能かという点で、年齢推定の改善が統計的に有意でなかったことは限界として押さえておきたい。