Neues Verfahren kombiniert Transfer Learning und Broad Learning für Schönheitsvorhersage

In der Computer Vision steht die Vorhersage von Gesichtsschönheit (FBP) seit langem im Fokus, doch die geringen Datenmengen und die hohe Variabilität menschlicher Gesichter führen häufig zu Überanpassung und unzuverlässigen Modellen. Ein neues Verfahren, das Transfer Learning mit dem Broad Learning System (BLS) verbindet, bietet hier eine vielversprechende Lösung.

Das System nutzt vortrainierte CNN‑Modelle – speziell EfficientNets – als Feature‑Extractor, um Gesichtsmerkmale zu extrahieren. Diese Merkmale werden anschließend in ein BLS‑Modell eingespeist, das die schnelle Modellbildung und das Training ermöglicht. Die Kombination wird als E‑BLS bezeichnet.

Durch die Integration eines zusätzlichen Verbindungslayers, der den Feature‑Extractor mit dem BLS verbindet, entsteht die erweiterte Variante ER‑BLS. Experimentelle Ergebnisse zeigen, dass sowohl E‑BLS als auch ER‑BLS die Genauigkeit der Schönheitsvorhersage gegenüber bisherigen BLS‑ und CNN‑Ansätzen deutlich steigern.

Die vorgestellte Methode demonstriert nicht nur die Effektivität von Transfer Learning in Kombination mit BLS, sondern eröffnet auch neue Anwendungsmöglichkeiten in Bereichen wie Mustererkennung, Objekterkennung und Bildklassifikation.