L’IA peut deviner l’année d’une photo à partir de l’âge des personnes

De nouvelles recherches montrent que l’IA peut utiliser les visages des personnes pour estimer l’année à laquelle une photo a été prise, en combinant les estimations d’âge avec les années de naissance connues pour battre les méthodes actuelles basées sur la scène.

Deviner la date d’une photo était autrefois beaucoup plus facile qu’aujourd’hui, car les modes capillaires et vestimentaires évoluaient à une vitesse fulgurante. Pour des raisons débattues, ce mouvement de style visuel a pris fin il y a environ trente ans, ce qui signifie qu’il n’est plus aussi facile de regarder une coiffure ou des vêtements et de deviner l’année à partir de ces indices visuels.

Pendant un certain temps, il a été possible de dater des images et des films en fonction de la résolution des couleurs et des caractéristiques de grain du film. On n’avait pas besoin d’être un spécialiste de la police scientifique; si l’on regardait suffisamment de vieux films, les indices culturels (comme la musique, les voitures, la mode, les sujets, etc.) finiraient par être associés, par le spectateur, à les styles de film:

Une illustration de la façon dont les améliorations du film ont progressivement élargi la gamme des tons de peau et des styles d’éclairage au fil du temps, passant de mises en page plates et frontales à des regards plus naturalistes et variés. Source

Un autre « ancre » pour dater une photographie était si elle était en noir et blanc – une économie qui est devenue obsolète après la popularisation de la photographie numérique au début de ce siècle

Plusieurs systèmes commerciaux et expérimentaux, tels que le PhotoDater de MyHeritage, qui est livré avec un abonnement, tentent de dater les photos en utilisant ces critères et d’autres.

Un exemple d’estimation de l’âge d’une photo à partir du service PhotoDater de MyHeritage, réservé aux abonnés. Source

En l’absence d’autres signes révélateurs, tels que des smartphones ou d’autres technologies spécifiques à une époque, la meilleure façon de déterminer l’âge d’une photo prise au cours des 15 à 25 dernières années est si l’on connaît la personne (c’est-à-dire une célébrité ou peut-être un acquantance) et que l’on peut estimer son âge, ce qui donne une année approximative.

Âge facial comme référence

Dans le domaine de la vision par ordinateur, et dans divers autres domaines (c’est-à-dire la police scientifique, le traitement d’archives, le journalisme, l’architecture de jeux de données, etc.), la capacité de déterminer l’âge d’une photo est un objectif précieux, car de nombreuses des collections numériques et analogiques les plus intéressantes manquent d’annotations et de métadonnées appropriées, ou ont même des métadonnées incorrectes provenant de devinettes précédentes (erronées).

Il serait donc utile si un système d’IA pouvait examiner les photos de la même manière que nous le faisons lorsque nous regardons nos collections historiques, et en disant « Oh oui, c’était à cette époque… ». La question est, quelle pourrait être la base de cette approche, en l’absence des indices habituels?

Un nouvel article de recherche de la République tchèque propose une première prise en main de cette approche, en exploitant les systèmes de reconnaissance d’âge basés sur l’IA, en association avec des systèmes de reconnaissance faciale liés à une base de données commune d’identités (dans ce cas, une collection de type IMDB mettant en vedette des artistes et des cinéastes tchèques):

Une image de ‘Joachim, Mettez-le dans la machine’ (1974), utilisée pour illustrer le processus de datation. Le modèle détecte les individus connus dans la photo, estime leur âge en utilisant un estimateur d’âge facial (colonne de droite), et soustrait cette valeur de l’année de naissance de chaque personne pour générer une distribution de probabilité sur les dates de photo possibles. Les graphiques montrent la probabilité de chaque estimation d’âge, avec des lignes pointillées indiquant l’âge réel de la personne au moment de la photo. Source

Le système fonctionne en détectant les individus connus dans une photo, en estimant leur âge facial en utilisant un modèle préentraîné, et en soustrayant cette estimation de leur année de naissance connue pour générer des dates probables pour la photo. Lorsque plusieurs visages sont présents, les estimations de date sont agrégées pour produire une prédiction finale.

La méthode a été testée sur des images extraites de la base de données de films tchèque et slovaque (CSFD), et l’approche proposée par les auteurs offre une précision constamment meilleure que les modèles basés sur la scène (modèles statiques qui s’appuient sur les éléments de l’arrière-plan ou le contexte visuel plutôt que sur les visages) formés sur les mêmes données.

Le schéma de cette méthode nécessite une base de données centrale qui contient des connaissances sur un large groupe d’individus, dans ce cas la base de données de films tchèque de type IMDB; mais toute collection similaire avec des dates de naissance confirmées et des événements datés pourrait donner un résultat similaire.

L’article indique:

‘Uniquement, notre ensemble de données fournit des annotations pour plusieurs individus dans une seule image, permettant l’étude de l’agrégation d’informations multi-visages. Nous proposons un cadre probabiliste qui combine formellement les preuves visuelles des modèles de reconnaissance faciale et d’estimation d’âge modernes, et des priorités temporelles basées sur la carrière pour inférer l’année de prise de la photo.

‘Nos expériences montrent que l’agrégation des preuves provenant de plusieurs visages améliore constamment les performances et que l’approche dépasse de manière significative les références basées sur la scène, en particulier pour les images contenant plusieurs individus identifiables.’

Le nouvel article est intitulé Photo Dating by Facial Age Aggregation, et provient de deux chercheurs de l’Université technique de Prague, avec la promesse d’une publication ultérieure du code et des données.

Méthode

Pour estimer quand une photo a été prise, le nouveau système des auteurs examine chaque visage détecté et tente de deviner qui il pourrait être, en utilisant la base de données mentionnée ci-dessus de personnes connues. Puisqu’une personne ne peut apparaître qu’une seule fois dans une photo, le système vérifie toutes les combinaisons possibles d’identités et utilise leurs années de naissance connues pour deviner à quel âge chaque personne a l’air.

Après cela, il travaille à rebours pour estimer l’année la plus probable qui ferait correspondre ces âges:

Gauche: le système construit une chronologie montrant quand les individus reconnus étaient les plus actifs, sur la base de leurs carrières. Droite: ceci est combiné avec des estimations d’âge facial pour produire une estimation finale de la date à laquelle l’image a été prise.

Pour gérer le grand nombre de combinaisons d’identités possibles, le système suppose que les visages sont indépendants, et que l’apparence de chacun dépend uniquement de son identité et de la date de la photo.

Pour estimer quand une photo a été prise, le système devine d’abord l’âge de chaque visage détecté en utilisant le modèle cvut-002 de NIST, qui est basé sur une architecture ViT-B/16, et formé sur un ensemble de données privé (que les auteurs déclarent classé très haut dans la base de données d’évaluation de la technologie d’analyse faciale de NIST (FATE)).

Une fois que l’année de naissance de la personne est connue, le modèle convertit l’estimation d’âge en une année de photo probable en ajoutant simplement l’âge à l’année de naissance, ce qui donne une distribution de probabilité sur les années de prise possibles. Pour évaluer à quel point un visage détecté correspond à une identité connue, le système compare leurs empreintes dans l’espace ArcFace:

ArcFace, l’architecture contributive centrale pour le modèle InsightFace à la mode, a été lancée en 2015, destinée à devenir un projet influent dans l’évaluation et l’analyse faciales. Source

Chaque identité est représentée par une empreinte moyenne construite à partir de ses portraits de référence. La similarité entre un visage de test et une identité est alors mesurée en utilisant une distribution de Von Mises Fisher, qui modèle la façon dont les portraits de l’identité sont regroupés autour de cette moyenne. Un paramètre de netteté partagé contrôle la confiance du système dans ces regroupements, et est estimé en utilisant une stratégie de suppression d’un élément sur les portraits d’identité.

Le modèle définit cinq types de priorités pour estimer quand une personne reconnue pourrait apparaître dans une photo: uniforme; décennie; film; image; et une combinaison convexe de priorités qui combine les options les plus fortes et les plus faibles, pour tester la sensibilité à la force de la priorité (c’est-à-dire la résilience des priorités sous contrainte).

Pour gérer les visages qui ne peuvent pas être identifiés avec confiance, le modèle inclut une identité « inconnue » de secours avec des distributions non informatives, présentant une probabilité de visage qui est plate dans l’espace d’empreintes, et une priorité temporelle plate sur toutes les années. Cela permet aux visages incertains d’être ignorés sans biaiser l’estimation finale de la date:

Comment les performances sont affectées lorsque certains visages dans une image ne peuvent pas être identifiés. Chaque carré montre l’erreur moyenne de datation pour différents nombres d’identités connues et inconnues, avec une taille de carré reflétant la fréquence de cette combinaison dans l’ensemble de données. L’erreur augmente avec plus d’inconnues, mais diminue régulièrement à mesure que davantage d’identités connues sont ajoutées.

Données et tests

Les auteurs ont utilisé la base de données CSFD mentionnée ci-dessus pour créer un nouvel ensemble de données qu’ils ont intitulé CSFD-1.6M. L’ensemble de données a été construit à partir de scènes mettant en vedette plusieurs personnes, avec chaque visage étiqueté par identité et année. Cette structure était nécessaire pour enseigner au modèle comment les visages se rapportent les uns aux autres dans le contexte; les ensembles de données à un seul visage tels que IMDB-WIKI ne le permettent pas, car ils n’étiquettent qu’une seule personne par image.

Les années de sortie de films de la base de données de films tchèque et slovaque ont été utilisées pour estimer quand chaque photo a été prise, avec chaque personne de l’image associée à un profil public comportant son année de naissance et un portrait.

Par la suite, chaque visage de l’image a été associé à l’une des identités connues, initialement en utilisant ArcFace pour créer des empreintes faciales, et en calculant une empreinte moyenne pour chaque identité.

Après cela, l’algorithme hongrois a été utilisé pour attribuer des visages à des identités en comparant la similarité des empreintes, avec des ajustements effectués lorsque le nombre de visages détectés via le cadre SCRFD-10GE ne correspondait pas au nombre d’individus connus.

Statistiques de l’ensemble de données CSFD-1.6M, détaillant les images extraites, les visages détectés, les correspondances d’identité, les échantillons annotés finals et le pool d’identités disponibles.

Les correspondances ont été rejetées si la similarité était trop faible ou si l’âge estimé diffrait trop de l’âge connu, avec une tolérance plus grande autorisée pour les sujets plus âgés, et les visages n’ont pas été filtrés par qualité ou taille.

Les auteurs notent la supériorité de leur ensemble de données par rapport à celui du plus proche ensemble de données comparable, IMDB-WIKI:

‘Notre ensemble de données n’est pas seulement beaucoup plus grand, mais, de manière critique, se compose de scènes multi-personnes nécessaires à notre modèle. Alors que aucun ensemble de données extrait du web n’est exempt de bruit d’étiquetage, notre pipeline d’annotation tire parti des liens explicites entre les images et les profils d’identité fournis par la base de données, visant à obtenir des affectations d’identité de meilleure qualité.’

Leur évaluation a comparé plusieurs versions du système de datation, pour comprendre d’où venaient ses gains. Un modèle supposait une connaissance parfaite de qui se trouvait dans l’image, fournissant une limite supérieure des performances en supprimant toute incertitude dans la reconnaissance d’identité, avec la version complète du modèle estimant ensuite les identités et les dates conjointement, en pesant différents affectations d’identité possibles avant d’arriver à une estimation finale d’année.

Une variante plus simple a sélectionné la seule configuration d’identité la plus probable sans marginaliser les alternatives, ce qui s’est avéré presque aussi efficace dans la pratique.

En revanche, la référence la plus basique a attribué chaque visage de manière indépendante et a combiné les estimations d’âge résultantes, sans tenir compte du fait que les identités collectives avaient un sens.

Pour tester à quel point la méthode bénéficiait de l’utilisation de visages, un modèle distinct a été formé pour estimer la date directement à partir de la scène entière. Ce modèle basé sur la scène constitue l’approche alternative la plus solide actuellement utilisée dans l’estimation de la date d’une image, car il peut apprendre des modèles visuels spécifiques à une époque sur l’ensemble de l’image, plutôt que de s’appuyer sur l’identité ou l’âge.

Métriques et données

L’erreur absolue moyenne (MAE) entre l’année prédite et la vérité terrain connue a été la métrique centrale pour les expériences.

Les données ont été divisées en cinq parties, avec soin pour s’assurer que toutes les images du même film étaient conservées dans une seule partition. Trois de ces parties ont été utilisées pour la formation, une pour la validation et une pour les tests. Cette rotation à cinq plis a été appliquée pour éviter la suradaptation.

Étant donné que les modèles basés sur les visages n’ont pas été formés sur cet ensemble de données, aucune division n’a été nécessaire, et ils ont été évalués directement sur l’ensemble complet CSFD-1.6M.

Le modèle de scène a été formé pendant 200 époques sous l’optimiseur Adam, avec des images redimensionnées à une taille de 384×384.

Résultats

La section des résultats de l’article est divisée de manière inhabituelle en plusieurs indicateurs de performance, sans aucun test central. Cependant, nous présenterons une sélection des résultats les plus pertinents ici.

Le résultat le plus important n’est pas un seul chiffre, mais un modèle: les modèles d’agrégation faciale (en particulier les variantes Complet et Top-1) surpassent constamment la référence scène solide lorsque deux identités connues ou plus sont présentes – même si le modèle scène est formé directement sur l’ensemble de données, soutenant l’affirmation centrale selon laquelle la datation faciale liée à l’identité fournit un signal plus robuste que l’interprétation holistique de la scène.

Pour évaluer l’effet des priorités temporelles, les auteurs ont comparé plusieurs configurations de leur modèle Complet. Les meilleures performances ont été obtenues en utilisant la priorité décennie, qui a surpassé de manière significative à la fois le modèle Naïf (qui n’utilise pas de priorité temporelle) et la priorité uniforme (qui suppose aucune préférence sur les années):

Les performances chutent nettement pour toutes les méthodes à mesure que le nombre de visages augmente, mais les modèles utilisant des priorités temporelles réalistes, telles que la priorité décennie, sont beaucoup moins affectés. Les références Naïve et Scène restent plates ou se dégradent avec des groupes plus importants, tandis que le modèle Complet guidé par des priorités informatives maintient une faible erreur. Les priorités basées sur l’oracle, qui s’appuient sur les statistiques de l’ensemble de test, définissent la limite inférieure des performances réalisables.

Pour démontrer la valeur de CSFD-1.6M au-delà de la datation de photos, l’ensemble de données a également été testé comme ressource de préformation pour la tâche plus large d’estimation de l’âge facial. En suivant un protocole d’évaluation standard, des modèles ResNet101 ont été préformés sur CSFD-1.6M, et comparés à des homologues préformés sur IMDB-WIKI et ImageNet. Ces modèles ont ensuite été affinés et évalués sur cinq références populaires: AgeDB; AFAD, MORPH; UTKFace; et CLAP2016:

Erreur absolue moyenne (plus ou moins l’écart-type) sur cinq références d’estimation d’âge, en comparant les modèles préformés sur ImageNet, IMDB-WIKI et CSFD-1.6M. Des valeurs plus faibles indiquent de meilleures performances. CSFD-1.6M donne les résultats les plus forts sur toutes les références.

Sur les cinq ensembles de données, la préformation sur CSFD-1.6M a conduit aux taux d’erreur les plus bas, surpassant les deux autres sources de préformation d’une marge claire – un écart de performance qui s’est avéré le plus fort sur AFAD et CLAP2016, mais est resté constant sur l’ensemble.

Nous renvoyons le lecteur au reste de la section des résultats de l’article source, qui traite également de manière approfondie des études d’ablation.

Conclusion

Bien que le nouvel article devienne rapidement dense et inaccessible pour le lecteur occasionnel, le sujet abordé est l’un des plus intéressants et des plus pertinents dans la littérature de la vision par ordinateur – non seulement parce qu’il se croise adroitement avec l’anthropologie et les études culturelles, où les constantes sont difficiles à déterminer.

* Juste comme l’évolution musicale a également ralenti son rythme de changement.

Publié pour la première fois lundi 10 novembre 2025