Masterarbeit: Modellierungsansätze und Loss-Design für präzise Altersschätzung

Hintergrund/Motivation

Gesichtbasierte Altersschätzung ist in vielen Anwendungen zentral (z. B. Identitätsprüfung, Jugendschutz, Medizin). Klassische Ansätze (reine Regression oder einfache Klassifikation) haben jedoch klare Grenzen: sie ignorieren Unsicherheit, leiden unter unausgewogenen Daten (long tail, fehlende Altersklassen) und unter der nicht‑linearen Skala des Alters. Gleichzeitig wird in einer kürzlich erschienenen Studie behauptet, dass Loss‑Wahl und Architektur die Performance nur begrenzt beeinflussen (7). Diese pauschale Aussage soll in dieser Arbeit kritisch und differenziert überprüft werden, um zu klären, wann die Wahl von Loss und Architektur entscheidungsrelevant ist und wann sie nachrangig bleibt.

Ziel

Ziel dieser Masterarbeit ist ein systematischer Vergleich zentraler Modellierungsansätze und Loss‑Funktionen für Altersschätzung sowie die Entwicklung neuer, robuster Verfahren.

Dazu sollen

• Ansätze implementiert und verglichen werden: klassische Punkt‑Regression, probabilistische Regression und Quantil‑Regression (4), Klassifikation (1), ordinale Klassifikation (2,3), Label Distribution Learning (5), Hybrid‑Verfahren etc.
• Bedingungen und problematische Fälle untersucht werden: fehlende oder kleine Altersklassen, starke Imbalance (langen Verteilungsenden), Labelrauschen, nicht‑lineare Altersskala.
• Kritisch bestehende Metriken in Augenschein genommen werden und geeignete Metriken identifiziert oder entwickelt werden.
• Aus den neuen Erkenntnissen heraus neue Verfahren entworfen und evaluiert werden.

Ergebnisse

Erwartet werden belastbare Leitlinien, wann welcher Ansatz funktioniert (oder versagt), inklusive Ablationsstudien zu Loss‑Design, Binning/Ordinalisierung, Verteilungszielen und Hybridierungen. Die Arbeit liefert reproduzierbare Implementierungen, starke Baselines, umfangreiche Evaluation auf gängigen Datensätzen (z. B. UTKFace, IMDB‑WIKI, APPA‑REAL, MORPH II, AgeDB) sowie Vorschläge für neue, robustere Verfahren.

Die Arbeit stellt belastbare Leitlinien vor, wann welcher Ansatz funktioniert oder nicht funktioniert, Einschränkungen und Fallstricke und unerwartete Ergebnisse. Die Verfahren werden anhand von frei verfügbaren Benchmark‑Datensätzen und selbstentwickelten Szenarien evaluiert und miteinander verglichen. Der verwendete Code ist gut dokumentiert, wiederverwendbar und die Ergebnisse sind reproduzierbar.

Hier sorgst Du für Veränderung

• Recherchieren und Strukturierung der Literatur zu einem aktuellen Thema aus dem Bereich Maschinelles Lernen.
• Forschen und Implementieren von neuartigen Machine‑Learning‑ und Computer‑Vision‑Ansätzen.
• Planung und Durchführung von Experimenten.
• Selbstkritische Evaluierung der gefundenen Ergebnisse.
• Präsentieren der Ergebnisse.
• Anfertigen einer wissenschaftlichen Arbeit in Form einer Masterarbeit mit den Ergebnissen.

Hiermit bringst Du Dich ein

• Gute Kenntnisse im Bereich Machine Learning und dem Training neuronaler Netze.
• Idealerweise Kenntnisse in Computer‑Vision und Gesichtserkennung.
• Gute Python‑Kenntnisse, vorzugsweise Erfahrung mit PyTorch, OpenCV etc.
• Motivation, sich eigenständig in neue und aktuelle Forschungsthemen einzuarbeiten.
• Interesse an Optimierungs‑ und Evaluationsmetriken.
• Interesse an wissenschaftlicher Forschung.

Was wir für Dich bereithalten

• Selbstständige Arbeitszeiteinteilung
• Einblicke in das Schnittfeld von akademischer Forschung und industrieller Anwendung

Verwandte Arbeiten

• (1) Roth et al. (2015). Deep EXpectation of Apparent Age from a Single Image
• (2) Cao et al. (2019). Rank consistent ordinal regression for neural networks with application to age estimation
• (3) Niu et al. (2016). Ordinal Regression with Multiple Output CNN. CVPR.
• (4) Shen et al. (2024). Nonparametric Estimation of Non‑Crossing Quantile Regression Process with Deep ReQU Neural Networks. JMLR.
• (5) Geng et al. (2013). Facial Age Estimation by Learning from Label Distributions. TPAMI.
• (6) Kuprashevich et al. (2023). MiVOLO: Multi‑Input Transformer for Age and Gender Estimation.
• (7) Paplhám et al. (2024). A Call to Reflect on Evaluation Practices for Age Estimation: Comparative Analysis of the State‑of‑the‑Art and a Unified Benchmark. CVPR.

Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt. Unsere Aufgaben sind vielfältig und anpassbar – für Bewerber*innen mit Behinderung finden wir gemeinsam Lösungen, die ihre Fähigkeiten optimal fördern.

Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer‑Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft.

Bereit für Veränderung? Dann bewirb Dich jetzt, und mach einen Unterschied! Nach Eingang Deiner Online‑Bewerbung erhältst Du eine automatische Empfangsbestätigung. Dann melden wir uns schnellstmöglich und sagen Dir, wie es weitergeht.

Fraunhofer‑Institut für Sichere Informationstechnologie SIT