AI kan gjette bildets år ut fra menneskers alder

Ny forskning viser at AI kan bruke menneskers ansikter til å estimere året et bilde ble tatt, ved å kombinere aldersgjetninger med kjente fødselsår for å slå gjeldende scenebaserte metoder.

Å gjette datoen på et bilde var tidligere mye enklere enn det er nå, fordi hårmoter og klesmoter utviklet seg i rasende fart. Av meget debatterte årsaker, ble dette visualle stilskiftet avsluttet for omtrent tretti år siden, noe som gjør det ikke like enkelt å se på et hårstil eller klesplagg og gjette året ut fra denne type visuell ledetråd.

I en periode var det mulig å datere bilder og filmer basert på fargeresolusjon og kornkarakteristika i filmen. En trengte ikke å være en rettsmedisinsk spesialist; hvis en så nok gamle filmer, ville de kulturelle ledetrådene (slik som musikk, biler, mote, temaer osv.) til slutt bli assosiert med filmstil av seeren:

En illustrasjon av hvordan forbedringene i filmen gradvis utvidet rekkevidden av hudtoner og lysstiler over tid, fra flate, frontale oppsett til mer naturalistiske og varierte uttrykk. Kilde (min egen artikkel)

En ekstra «anker» for å datere et bilde var om det var i sort-hvitt – en økonomi som ble overtakelse etter populariseringen av digital fotografering tidlig i dette århundret

En rekke kommersielle og eksperimentelle systemer, som MyHeritage-abonnementspakken PhotoDater, forsøker å datere bilder ved hjelp av disse og andre kriterier.

Et eksempel på bildealdersestimering fra MyHeritage PhotoDater-abonnementspakken. Kilde

I fravær av andre avslørende tegn, som smarttelefoner eller andre tidsspesifikke teknologier, er den beste måten å avgjøre alderen på et bilde tatt i løpet av de siste 15-25 årene å være kjent med personen (dvs. en kjendis eller kanskje en bekjent), og å kunne estimere deres alder, som gir en omtrentlig årstall.

Ansigtsalder som referanse

I feltet datavisjon, og i andre felt (dvs. rettsmedisin, arkivbehandling, journalistikk, datasettarkitektur osv.), er evnen til å bestemme alderen på et bilde et ettertraktet mål, siden mange av de mest interessante digitale og analoge samlinger mangler korrekt annotering og metadata, eller har feil metadata fra tidligere (feil) gjetninger.

Derfor ville det være nyttig hvis et AI-system kunne gjennomgå bilder på samme måte som vi gjør når vi ser tilbake på våre historiske samlinger, og kommenterer ‘Ja, det var da…’. Spørsmålet er, hva kunne være hakken, i fravær av de vanlige nødvendige ledetrådene?

En ny forskningsartikkel fra Tsjekkia tilbyr en første fotfeste inn i denne tilnærmingen, ved å utnytte AI-basert aldergjennkjenning sammen med ansiktsgjennkjenning koblet til en felles database med identiteter (i dette tilfelle en IMDB-lignende samling med tsjekkiske artister og filmskaperne):

Et bilde fra ‘Joachim, Put It in the Machine’ (1974), brukt til å illustrere datningsprosessen. Modellen detekterer kjente personer i bildet, estimerer deres alder ved hjelp av en ansiktaldersestimator (høyre kolonne), og trekker denne verdien fra hver persons fødselsår for å generere en sannsynlighetsfordeling over mulige bildeår. Grafene viser sannsynligheten for hver aldersestimat, med stiplede linjer som markerer personens faktiske alder på tidspunktet for bildet. Kilde

Systemet fungerer ved å detektere kjente personer i et bilde, estimere deres ansiktalder ved hjelp av en forhåndsdefinert modell, og trekke denne estimeringen fra deres dokumenterte fødselsår for å generere sannsynlige datoer for bildet. Når flere ansikter er til stede, kombineres datoestimater for å produsere en endelig prediksjon.

Måten ble testet på bilder fra Czecho-Slovak Movie Database (CSFD), med den resulterende tilnærmingen som forfatterne hevder, tilbyr jevnt over bedre nøyaktighet enn scenebaserte modeller (statiske modeller som baserer seg på bakgrunns-elementer eller visuell kontekst fremfor ansikter) trent på samme data.

Skjemaet for denne metoden krever en sentral database som inneholder kunnskap om en bred gruppe personer, i dette tilfelle den IMDB-lignende tsjekkiske film-database; men noen lignende samling som inneholder bekreftede fødselsår og dato-bekreftede hendelser kunne gi et lignende resultat.

Artikkelen sier:

‘Unikt, vårt datasett inneholder annotasjoner for flere personer i ett bilde, og muliggjør studiet av multi-ansikt informasjonsaggregasjon. Vi foreslår en sannsynlighetsramme som kombinerer visuell bevis fra moderne ansiktsgjenkjenning og aldersestimeringsmodeller, og karrierebaserte tidsfordelinger for å slutte seg til året bildet ble tatt.

‘Våre eksperimenter viser at aggregasjon av bevis fra flere ansikter konsistent forbedrer ytelsen og tilnærmingen, og overgår betydelig sterke, scenebaserte utgangspunkter, spesielt for bilder som inneholder flere identifiserbare personer.’

Den nye artikkelen heter Bilodedating ved ansigtalderaggregasjon, og kommer fra to forskere ved Czech Technical University i Praha, med et løfte om en senere kode- og datautgivelse.

Metode

For å estimere når et bilde ble tatt, ser forfatternes nye system på hvert detektert ansikt og forsøker å gjette hvem det kan være, ved hjelp av den ovennevnte database med kjente personer. Ettersom en person bare kan opptre en gang i et bilde, sjekker systemet alle mulige kombinasjoner av mulige identiteter og bruker deres kjente fødselsår for å gjette hvor gammel hver person ser ut til å være.

Efter dette arbeider det bakover for å estimere det mest sannsynlige året som ville gjøre at disse alderne stemmer overens:

Venstre: systemet bygger en tidslinje som viser når de kjente personene var mest aktive, basert på deres kjente karrierer. Høyre: dette kombineres med ansiktaldersestimeringer for å produsere en endelig gjetning for når bildet ble tatt.

For å håndtere de mange mulige identitetskombinasjonene, antar systemet at ansikter er uavhengige, og at hver enkelt ansikts utseende bare avhenger av dens identitet og bildets dato.

For å estimere når et bilde ble tatt, gjetter systemet først alderen til hvert detektert ansikt ved hjelp av NIST cvut-002-modellen, som er basert på en ViT-B/16-arkitektur, og trent på en privat datasett (som, ifølge forfatterne, rangerer høyt i NISTs Face Analysis Technology Evaluation (FATE) database).

Når personens fødselsår er kjent, konverterer modellen aldersestimaten til en sannsynlig bildeadato ved å legge til alderen til fødselsåret, og produserer en sannsynlighetsfordeling over mulige tattatoer. For å vurdere hvor godt et detektert ansikt matcher en kjent identitet, sammenligner systemet deres innkapslinger i ArcFace-rommet:

ArcFace, den sentrale bidragsarkitekturen for den nå populære InsightFace-modellen, ble lansert i 2015 og var bestemt for å bli et innflytelsesrikt prosjekt i ansiktsevaluering og vurdering. Kilde

Hver identitet representeres av en gjennomsnittlig innkapsling bygget fra dens referanseportretter. Lignheten mellom et testansikt og en identitet måles deretter ved hjelp av en Von Mises Fisher Fordeling, som modellerer hvor tett identitetens portretter samler seg rundt denne gjennomsnittlige innkapslingen. En felles skarphetsparameter kontrollerer hvor sikker systemet er på disse samlinger, og estimeres ved hjelp av en leave-one-out-strategi på identitetens portretter.

Modellen definerer fem typer priorer for å estimere når en kjent person kan opptre i et bilde: uniform; tiår; film; bilde; og en konveks kombinasjonsprior som kombinerer de sterkeste og svakeste alternativene for å teste sensitivitet til prior-styrke (dvs. priorernes motstandskraft under stress).

For å håndtere ansikter som ikke kan identifiseres med sikkerhet, inkluderer modellen en reserve ‘ukjent’ identitet med upåvirkede fordelinger, med et ansiktslikhet som er flat i innkapslingsrommet, og en tidsfordeling som er flat over alle år. Dette tillater usikre ansikter å bli ignorert uten å forvrengle den endelige datoestimaten:

Hvordan ytelsen påvirkes når noen ansikter i et bilde ikke kan identifiseres. Hver firkant viser gjennomsnittlig dato-feil for forskjellige antall kjente og ukjente identiteter, med firkantstørrelse som reflekterer hvor vanlig denne kombinasjonen er i datasett. Feil øker med flere ukjente, men synker jevnt når flere kjente identiteter legges til.

Data og tester

Forfatterne brukte den ovennevnte CSFD-datasettet for å skape en ny samling som de kalte CSFD-1.6M. Datasettet ble bygget fra scener med flere personer, med hvert ansikt merket med identitet og år. Denne strukturen var nødvendig for å lære modellen hvordan ansikter relaterer til hverandre i kontekst; enkelt-ansiktsdatasett som IMDB-WIKI støtter ikke dette, siden de kun merker en person per bilde.

Filmutgivelsesår fra Czecho-Slovak Movie Database ble brukt til å estimere når hvert bilde ble tatt, med hver person i bildet koblet til en offentlig profil som inneholdt fødselsår og et portrett.

Deretter ble hvert ansikt i bildet koblet til en av de kjente identitetene, først ved hjelp av ArcFace for å lage ansiktsinnkapslinger, og deretter ved å beregne en gjennomsnittlig innkapsling for hver identitet.

Efter dette ble Hungarian-algoritmen brukt til å tildele ansikter til identiteter ved å sammenligne innkapslingslikhet, med justeringer når antallet detekterte ansikter via SCRFD-10GE-rammeverket ikke stemte overens med antallet kjente personer.

Statistikk fra CSFD-1.6M-datasettet, som viser skrapede bilder, detekterte ansikter, identitetsmatcher, endelige annoterte prøver og den tilgjengelige identitetspoolen.

Matcher ble avvist hvis lignheten var for lav eller hvis den estimerte alderen avviktet for mye fra den kjente alderen, med større toleranse tillatt for eldre personer, og ansikter ble ikke filtrert etter kvalitet eller størrelse.

Forfatterne påpeker overlegenheten til deres kurerte sett sammenlignet med det nærmeste sammenlignbare datasettet, IMDB-WIKI:

‘Vårt datasett er ikke bare betraktelig større, men, kritisk, består av multi-person-scener som er nødvendige for vår modell. Mens ingen webskrapede datasett er helt fri for etikettstøy, har vår annoteringspipeline utnyttet de eksplisitte koblingene mellom bilder og identitetsprofiler som er gitt av database, med mål om høyere kvalitet på identitets tilordninger.’

Deres evaluering sammenlignet flere versjoner av datingsystemet for å forstå hvor dens forbedringer kom fra. En modell antok fullstendig kunnskap om hvem som var i bildet, og ga en øvre grense for ytelse ved å fjerne all usikkerhet i identitetsgjenkjenning, med den fullstendige modellen som deretter estimerte identiteter og datoer sammen, og veide forskjellige mulige identitets tilordninger før den kom frem til en endelig års-estimat.

En enklere variant valgte den enkelt mest sannsynlige identitetskonfigurasjonen uten å marginalisere over alternativer, noe som viste seg å være nesten like effektiv i praksis.

I motsetning til dette tilordnet den enkleste utgangspunktet hvert ansikt uavhengig og kombinerte de resulterende alder-baserte års-estimater uten å vurdere om identitetene kollektivt hadde mening.

For å teste hvor mye metoden fordret av å bruke ansikter i det hele tatt, ble en separat modell trent for å estimere datoen direkte fra hele scenen. Denne scene-baserte modellen utgjør den sterkeste alternative tilnærmingen som for tiden brukes i bilde-dato-estimering, siden den kan lære æra-spesifikke visuelle mønster over hele bildet, fremfor å basere seg på identitet eller alder.

Mål og data

Gjennomsnittlig absolutt feil (MAE) mellom den estimerte året og den kjente bakgrunns-sannheten var den sentrale metrikken for eksperimentene.

Dataene ble delt inn i fem deler, med omsorg for å sikre at alle bilder fra samme film ble holdt innen en enkelt partition. Tre av disse delene ble brukt til trening, en til validering og en til testing. Denne fem-doble rotasjonen ble brukt for å forhindre over-tilpasning.

Ettersom ansikts-baserte modeller ikke ble trent på dette datasettet, var ingen splitting nødvendig, og i stedet ble de evaluert direkte på det fullstendige CSFD-1.6M-settet.

Den Scene-modellen ble trent i 200 epoker under Adam-optimatoren, med bilder resizet til en 384×384 kropp.

Resultater

Resultat-delen av artikkelen er delt uvanlig over en rekke ytelsesindikatorer, uten en enkelt utmerket eller sentral test. Likevel vil vi presentere en rekke av de mest pertinente resultater her.

Det viktigste resultatet er ikke et enkelt tall, men en mønster: ansikt-aggregasjonsmodeller (spesielt Full og Top-1-variantene) overgår konsistent den sterke Scene-baselinjen når to eller flere kjente identiteter er til stede – selv om Scene-modellen er trent direkte på datasettet, og støtter den sentrale påstanden om at identitets-koblet ansikt-dato gir en mer robust signal enn holistisk scene-tolkning.

For å evaluere effekten av tidsfordelinger, sammenlignet forfatterne flere konfigurasjoner av deres Full-modell. Den sterkeste ytelsen ble oppnådd ved å bruke Decade-Prior, som overgikk betydelig både Naive-modellen (som bruker ingen tidsfordeling) og Uniform-Prior (som antar ingen preferanse over år):

Ytelsen synker skarpt for alle metoder når antallet ansikter øker, men modeller som bruker realistiske tidsfordelinger som Decade-Prior er påvirket mye mindre. Naive- og Scene-baselinjene forblir flate eller forverres med større grupper, mens Full-modellen guidet av informative priorer opprettholder lav feil. Oracle-baserte priorer, som baserer seg på testsett-statistikk, definerer den nedre grensen for oppnåelig ytelse.

For å demonstrere verdien av CSFD-1.6M utover bilde-dato-estimering, ble datasettet også testet som en fortrening-resurs for den bredere oppgaven med ansikt-alder-estimering. Følgende en standard evaluering-protokoll, ble ResNet101-modeller fortrent på CSFD-1.6M, og sammenlignet med motparter fortrent på IMDB-WIKI og ImageNet. Disse modellene ble deretter finjustert og evaluert over fem populære benchmark-sett: AgeDB; AFAD, MORPH; UTKFace; og CLAP2016:

Gjennomsnittlig absolutt feil (plus/minus standardavvik) på fem alder-estimerings-benchmark-sett, sammenlignende modeller fortrent på ImageNet, IMDB-WIKI og CSFD-1.6M. Lavere verdier indikerer bedre ytelse. CSFD-1.6M gir de sterkeste resultater over alle benchmark-sett.

Over alle fem datasett førte fortrening på CSFD-1.6M til de laveste feil-ratene, og overgikk de to andre fortrening-kildene med en klar margin – et ytelsesgap som viste seg å være sterkest på AFAD og CLAP2016, men forblev konsistent over hele settet.

Vi henviser til resten av den noe fragmenterte resultat-delen i kilde-artikkelen, som også omhandler omfattende ablasjons-studier.

Konklusjon

Selv om den nye artikkelen raskt blir tett og utilgjengelig for den vanlige leseren, er emnet som behandles ett av de mest interessante og relevante i datavisjonslitteraturen – ikke minst fordi det går over i antropologi og kulturelle studier, hvor konstantene er vanskelige å fastslå.

* Akkurat som musikalsk evolusjon også slo ned sin endringshastighet.

Først publisert mandag, 10. november 2025