本文介绍了一种多标签人脸表观年龄估计的深度学习方法，通过组合多个卷积神经网络模型来降低估计误差。

Jun, 2016

对于年龄估计任务，设计专门的方法是不必要的，使用交叉熵损失的标准方法已足够。本文旨在通过在统一可比较的环境中评估最先进的年龄估计方法来解决基准测试的缺点。结果表明，与年龄估计方法的选择相比，面部对齐、面部覆盖、图像分辨率、图像表示、模型架构和数据量等各种因素经常产生更大的影响。评估了每种方法在公开可用的年龄估计数据集上的跨数据集性能，结果强调了使用一致的数据预处理方法和建立标准化基准测试的重要性，以确保可靠且有意义的比较。

Jul, 2023

通过使用合成的老化数据和真实的老化数据来进行深度学习的人脸识别算法训练和验证，实验结果表明，在年龄差异为 40 岁的图像上进行测试时，与基准模型相比，使用合成老化图像训练的模型的识别率提高了 3.33％，从而证明了合成年龄数据对增强年龄不变的人脸识别系统性能的潜力。

Jun, 2024

介绍了一种新方法来标注大量的野外人脸图像，将高质量的后验年龄分布作为标签；通过人在循环比较，可以将可靠的注释从一个已知年龄样本的参考数据库转移到另一个标签数据集，并通过全连接和 SoftMax 层有效地将比较转换为后验概率分布，从而训练一种同时执行序数超平面分类和后验分布学习的网络，并达到了基准测试的最新成果。

Aug, 2017

本研究提出了一种基于生成对抗网络的模型，可以通过年龄估计技术来控制面部老化和变年轻的准确性，同时利用高级特征表示来保留个性化身份信息，实验结果显示该方法具有比现有方法更好的性能。

Apr, 2018

提出了一种新的方法，可以通过对不同人的面部图像进行对比学习，准确地估计年龄，并通过结合余弦相似度和三元组边距损失来突出与年龄相关的特征并抑制与身份相关的特征。通过在 FG-NET 和 MORPH-II 两个公共数据集上取得最先进的性能，验证了我们提出的方法的有效性。

Aug, 2023

利用视频模型和时空信息，提出 AgeFormer 方法用于年龄分类，有效地应对遮挡、低分辨率和光照等挑战，并通过构建 P-Age 数据集在面部高度遮挡、模糊或掩蔽的情况下，取得比现有基于面部的年龄估计方法更优的结果，同时在 Charades、Smarthome 和 Thumos-14 等多个具有挑战性的视频数据集上进行了跨测试。

Nov, 2023

通过分类任务改进了预测大脑年龄的深度学习方法，提出了一种嵌入年龄序信息的新损失函数，有效减少了系统偏差，优于最先进方法，并可以更好地捕捉独立 AD 数据集中临床组之间的细微差异。

Oct, 2023

通过将线性年龄估计器嵌入到基于生成对抗网络的模型中，结合自编码器和解码器一起训练，从而实现面部图像的年龄估计和带有个性化目标年龄嵌入的面部年龄进程 / 回归，通过个性化的残差年龄嵌入和例子面部老化基础，综合估计年龄和生成个性化的老化面部。该方法改进了现有方法中连续面部老化方面的表现，取得了显著的定性和定量成果。

Apr, 2021

本文提出了一种简单而有效的损失函数，即自适应均值残差损失用于鲁棒人脸年龄估计，并通过 FG-NET 和 CLAP2016 数据集证实了其有效性。

Mar, 2022