AI kan gætte billedets år ud fra personernes alder

Nyt forskning viser, at AI kan bruge personers ansigter til at estimere, hvornår et billede er taget, ved at kombinere aldersgætter med kendte fødselsår for at slå nuværende scenebaserede metoder.

At gætte datoen for et billede var tidligere noget lettere, end det er i dag, fordi hår- og tøjmoden udviklede sig i hurtigt tempo. Af meget omdiskuterede årsager stoppede denne omskiftning af visuel stil for omkring tredive år siden, hvilket betyder, at det ikke længere er helt så let at se på en frisure eller et stykke tøj og gætte året ud fra denne type visuel hint.

I en periode var det muligt at date billeder og film baseret på farveopløsning og kornkarakteristika for film. Man behøvede ikke at være en retsmedicinsk specialist; hvis man så nok gamle film, ville de kulturelle hints (såsom musik, biler, mode, emner osv.) til sidst blive associeret med filmstil af seeren:

En illustration af, hvordan forbedringer af filmstil gradvist udvidede rækken af hudtoner og lysstiler over tid, fra flade, frontale opsætninger til mere naturalistiske og varierede udtryk. Kilde (min egen artikel)

En yderligere “anker” for at date et billede var, om det var i sort-hvid – en økonomi, der blev overflødig efter populariseringen af digital fotografering tidligt i dette århundrede

Et antal kommercielle og eksperimentelle systemer, såsom MyHeritages abonnementsbundne PhotoDater, forsøger at date billeder ved hjælp af disse og andre kriterier.

Et eksempel på billedets aldersskøn fra MyHeritages PhotoDater-abonnementstjeneste. Kilde

I mangt og meget er den bedste måde at fastslå billedets alder på, hvis man kender personen (f.eks. en kendis eller måske en bekendt), og kan estimere deres alder, hvilket giver en omtrentlig årsværdi.

Ansigtets alder som reference

I computer vision-området og i mange andre områder (f.eks. retsmedicin, arkivbehandling, journalistik, datasetarkitektur osv.) er evnen til at bestemme billedets alder et eftertragtet mål, da mange af de mest interessante digitale og analoge samlinger mangler korrekte noter og metadata eller har forkerte noter fra tidligere (forkerte) gæt.

Derfor ville det være nyttigt, hvis et AI-system kunne gennemgå billeder på samme måde, som vi gør, når vi ser tilbage på vores historiske samlinger, og kommenterer ‘Ja, det var dengang…’. Spørgsmålet er, hvad kunne være hakken, når de sædvanlige påkrævede hints mangler?

En ny forskningsartikel fra Tjekkiet tilbyder en initial fodbold i denne tilgang ved at udnytte AI-baserede aldergenkendelsessystemer i koncert med ansigtsgenkendelsessystemer koblet til en fælles database over identiteter (i dette tilfælde en IMDB-lignende samling med tjekkiske kunstnere og filminstruktører):

Et billede fra ‘Joachim, Put It in the Machine’ (1974), brugt til at illustrere datingsprocessen. Modellen detekterer kendte personer i billedet, estimerer deres alder ved hjælp af en ansigtaldersestimator (højre kolonne) og trækker denne værdi fra hver persons fødselsår for at generere en sandsynlighedsfordeling over mulige billeddatoer. Graferne viser sandsynligheden for hver aldersvurdering, med stiplede linjer, der markerer personens sande alder på billedets tidspunkt. Kilde

Systemet virker ved at detektere kendte personer i et billede, estimere deres ansigtalder ved hjælp af en forudtrænet model og herefter trække denne estimat fra deres dokumenterede fødselsår for at generere sandsynlige datoer for billedet. Når der er flere ansigter til stede, kombineres datovurderingerne for at producere en endelig forudsigelse.

Metoden blev testet på billeder fra Czecho-Slovak Movie Database (CSFD), og den resulterende tilgang, som forfatterne påstår, giver konsekvent bedre nøjagtighed end scenebaserede modeller (statiske modeller, der afhænger af baggrundselementer eller visuel kontekst i stedet for ansigter) trænet på samme data.

Skemaet for denne metode kræver en central database, der indeholder viden om en bred gruppe personer, i dette tilfælde den IMDB-lignende tjekkiske filmdatabase; men enhver lignende samling, der indeholder bekræftede fødselsår og centralt daterede begivenheder, kunne give et lignende resultat.

Artiklen fastslår:

‘Unikt kan vores dataset levere noter for flere personer i ét billede, hvilket muliggør studiet af multifacetteret informationsaggregering. Vi foreslår en sandsynlighedsramme, der kombinerer visuel bevis fra moderne ansigtsgenkendelses- og aldersvurderingsmodeller og karrierebaserede tidsmæssige prioriteringer for at slutte, hvornår billedet er taget.

‘Vore eksperimenter viser, at aggregat af bevis fra flere ansigter konsekvent forbedrer performances og tilgangen overgår væsentligt stærke scenebaserede grundlinjer, især for billeder med flere identificerbare personer.’

Den nye artikel har titlen Billeddato ved ansigtalderaggregering og kommer fra to forskere ved Czech Technical University i Prag, med løftet om en senere kode- og dataudgivelse.

Metode

For at estimere, hvornår et billede er taget, ser forfatternes nye system på hvert detekteret ansigt og forsøger at gætte, hvem det kunne være, ved hjælp af den nævnte database over kendte personer. Da en person kun kan optræde én gang i et billede, kontrollerer systemet alle kombinationer af mulige identiteter og bruger deres kendte fødselsår til at gætte, hvor gammel hver person ser ud til at være.

Efter dette arbejder det baglæns for at estimere det mest sandsynlige år, der ville få alderne til at stemme overens:

Venstre: systemet bygger en tidslinje, der viser, hvornår de genkendte personer var mest aktive, baseret på deres kendte karrierer. Højre: dette kombineres med ansigtaldersestimationer for at producere en endelig gæt for, hvornår billedet er taget.

For at håndtere de mange mulige identitetskombinationer antager systemet, at ansigterne er uafhængige, og at hver enkelt ansigts udseende kun afhænger af dets identitet og billedets dato.

For at estimere, hvornår et billede er taget, gætter systemet først alderen for hvert detekteret ansigt ved hjælp af NIST cvut-002-modellen, der er baseret på en ViT-B/16-arkitektur og trænet på en privat dataset (som, ifølge forfatterne, rangerer højt i NIST’s Face Analysis Technology Evaluation (FATE) database).

Når personens fødselsår er kendt, konverterer modellen aldersvurderingen til en sandsynlig billed-år ved simpelthen at tilføje alderen til fødselsåret, hvilket giver en sandsynlighedsfordeling over mulige optagelsesår. For at vurdere, hvor godt et detekteret ansigt matcher en kendt identitet, sammenligner systemet deres indlejninger i ArcFace-rum:

ArcFace, den centrale bidragende arkitektur til den nu populære InsightFace-model, blev lanceret i 2015 og var bestemt til at blive et indflydelsesrigt projekt inden for ansigtsevaluering og -vurdering. Kilde

Hver identitet repræsenteres af en gennemsnitsindlejring bygget fra dens referenceportrætter. Ligheden mellem et testansigt og en identitet måles herefter ved hjælp af en Von Mises Fisher Distribution, der modellerer, hvor tæt identitetens portrætter er samlet omkring denne gennemsnitsværdi. En fælles skarphedsparameter kontrollerer, hvor sikker systemet er på disse kluster, og estimeres ved hjælp af en leave-one-out-strategi på identitetsportrætterne.

Modellen definerer fem typer priorer for at estimere, hvornår en genkendt person kan optræde i et billede: uniform; årti; film; billede; og en konvex kombinationsprior, der kombinerer de stærkeste og svageste muligheder for at teste følsomheden over for prior-styrke (dvs. priorernes robusthed under pres).

For at håndtere ansigter, der ikke kan identificeres med sikkerhed, inkluderer modellen en reserve ‘ukendt’ identitet med upålidelige fordelinger, der har en flad ansigts sandsynlighed i indlejningsrummet og en tidsmæssig prior, der er flad over alle år. Dette tillader usikre ansigter at blive ignoreret uden at forvrænge den endelige datovurdering:

Hvorledes ydeevnen påvirkes, når nogle ansigter i et billede ikke kan identificeres. Hver firkant viser den gennemsnitlige datingsfejl for forskellige antal kendte og ukendte identiteter, med firkantens størrelse som reflekterer, hvor almindeligt denne kombination er i datasættet. Fejlen øges med flere ukendte, men falder konstant, når flere kendte identiteter tilføjes.

Data og tests

Forfatterne brugte den nævnte CSFD-dataset til at opbygge en ny samling, som de kaldte CSFD-1.6M. Datasættet blev bygget fra scener med flere personer, hvor hvert ansigt var mærket med identitet og år. Denne struktur var nødvendig for at lære modellen, hvordan ansigter relaterer til hinanden i kontekst; enkeltansigtsdatasæt som IMDB-WIKI understøtter dette ikke, da de kun mærker én person per billede.

Filmfrigivelsesår fra den tjekkisk-slovakiske filmdatabase blev brugt til at estimere, hvornår hvert billede var taget, med hver person i billedet matchet til en offentlig profil, der indeholdt deres fødselsår og et portræt.

Herefter blev hvert ansigt i billedet matchet til en af de kendte identiteter, først ved hjælp af ArcFace til at oprette ansigtsindlejninger og herefter ved at beregne en gennemsnitsindlejring for hver identitet.

Efter dette blev Hungarian-algoritmen brugt til at tildele ansigter til identiteter ved at sammenligne indlejningslighed, med justeringer, når antallet af detekterede ansigter via SCRFD-10GE-rammen ikke svarede til antallet af kendte personer.

Statistik fra CSFD-1.6M-datasættet, der viser skrabede billeder, detekterede ansigter, identitetsmatch, endelige annoterede prøver og den tilgængelige identitetspool.

Matchene blev afvist, hvis ligheden var for lav eller hvis den estimerede alder afveg for meget fra den kendte alder, med større tolerance tilladt for ældre emner, og ansigterne blev ikke filtreret efter kvalitet eller størrelse.

Forfatterne bemærker overlegenheden af deres kuraterede sæt over det nærmeste sammenlignelige datasæt, IMDB-WIKI:

‘Vort datasæt er ikke kun væsentligt større, men består kritisk af multifacetterede scener, der kræves af vores model. Selv om ingen webskrabet datasæt er fri for mærkefejl, sigter vores annotationspipeline mod at give højere kvalitets identitetsassignmenter ved at udnytte de eksplisitte links mellem billeder og identitetsprofiler, som databasen giver.’

Deres evaluering sammenlignede flere versioner af datingsystemet for at forstå, hvor dens forbedringer kom fra. En model antog fuldkommen viden om, hvem der var i billedet, og gav en øvre grænse for ydeevnen ved at fjerne enhver usikkerhed i identitetsgenkendelse, og den fulde version af modellen estimerede herefter identiteter og datoer samlet, hvor den vejede forskellige mulige identitetsassignmenter, før den nåede frem til en endelig årgangsestimation.

En enklere variant valgte den mest sandsynlige identitetskonfiguration uden at marginalisere over alternativer, hvilket viste sig at være næsten lige så effektivt i praksis.

I modsætning hertil tildelte den mest basale grundlinje hver ansigt uafhængigt og kombinerede de resulterende aldersbaserede årgangsestimationer uden at overveje, om identiteterne kollektivt havde mening.

For at teste, hvor meget metoden fik glæde af at bruge ansigter overhovedet, blev en separat model trænet til at estimere datoen direkte fra hele scenen. Denne scenebaserede model udgør den stærkeste alternative tilgang, der i øjeblikket bruges til billedets datovurdering, da den kan lære æra-specifikke visuelle mønstre på tværs af hele billedet, i stedet for at afhænge af identitet eller alder.

Metrikker og data

Gennemsnitlig absolut fejl (MAE) mellem den forudsagte år og den kendte sandhed var den centrale metrik for eksperimenterne.

Datasættet var opdelt i fem dele, hvor der var taget sigte på at sikre, at alle billeder fra samme film blev holdt inden for en enkelt partition. Tre af disse dele blev brugt til træning, en til validering og en til test. Denne femfoldige rotation blev anvendt for at forhindre overtilpasning.

Da ansigtsbaserede modeller ikke var trænet på dette datasæt, var der ingen behov for opdeling, og i stedet blev de vurderet direkte på det fulde CSFD-1.6M-sæt.

Den Scene-model blev trænet i 200 epoker under Adam-optimatoren, med billeder, der var ændret i størrelse til en 384×384 beskæring.

Resultater

Resultatdelen af artiklen er usædvanligt opdelt over en række ydeevnesindikatorer, med ingen enkelt fremragende eller central test. Vi vil dog præsentere en udvalg af de mest pertinente resultater her.

Det vigtigste resultat er ikke et enkelt tal, men en mønster: ansigtssamlingermodeller (især Full og Top-1 variationer) overgår konsekvent den stærke Scene-grundlinje, når to eller flere kendte identiteter er til stede – selv om Scene-modellen er trænet direkte på datasættet, hvilket støtter den centrale påstand om, at identitetsbaseret ansigtssamling giver en mere robust signal end holistisk scenefortolkning.

For at evaluere effekten af tidsmæssige priorer sammenlignede forfatterne flere konfigurationer af deres Full-model. Den stærkeste ydeevne blev opnået ved at bruge Årti-prior, der overgik både Naiv-modellen (der bruger ingen tidsmæssig prior) og Uniform-prior (der antager ingen præference over år) væsentligt:

Ydeevnen falder skarpt for alle metoder, når antallet af ansigter øges, men modeller, der bruger realistiske tidsmæssige priorer, såsom Årti-prior, påvirkes langt mindre. Naiv og Scene-grundlinjer forbliver flade eller forringes med større grupper, mens Full-modellen, der er guidet af informative priorer, opretholder lav fejl. Oracle-baserede priorer, der afhænger af test-sætsstatistik, definerer den nedre grænse for den opnåelige ydeevne.

For at demonstrere værdien af CSFD-1.6M ud over billedets datovurdering blev datasættet også testet som en fortræningsressource til den bredere opgave i ansigtaldersestimering. Efter en standard evalueringsskema blev ResNet101-modeller fortrænet på CSFD-1.6M og sammenlignet med modeller, der var fortrænet på IMDB-WIKI og ImageNet. Disse modeller blev herefter finjusteret og vurderet på fem populære benchmarks: AgeDB; AFAD, MORPH; UTKFace; og CLAP2016:

Gennemsnitlig absolut fejl (plus/minus standardafvigelse) på fem aldersvurderingsbenchmarks, sammenlignende modeller, der er fortrænet på ImageNet, IMDB-WIKI og CSFD-1.6M. Lavere værdier indikerer bedre ydeevne. CSFD-1.6M giver de stærkeste resultater på alle benchmarks.

Over alle fem datasæt resulterede fortræning på CSFD-1.6M i de laveste fejlrat, overgående de to andre fortræningskilder med et tydeligt margin – en performancesforskel, der viste sig at være stærkest på AFAD og CLAP2016, men forblev konsekvent på tværs af alle.

Vi henviser læseren til resten af den noget fragmenterede resultatsætning i kildeartiklen, der også omfatter omfattende ablationsstudier.

Konklusion

Selv om den nye artikel hurtigt bliver tæt og utilgængelig for den almindelige læser, er emnet, der behandles, et af de mest interessante og relevante i computer vision-litteraturen – ikke mindst, fordi det går over i antropologi og kulturstudier, hvor konstanterne er svære at fastlægge.

* Lige som musikalsk evolution også sænkede sin ændringshastighed.

Først udgivet mandag, 10. november 2025