本研究通过深度卷积神经网络方法和基于几何和外观特征的方法对耳部图像进行建模，以进行性别和年龄分类。我们利用了几何特征和外观方法的混合模型，其中一些知名的卷积神经网络模型包括 AlexNet、VGG-16、GoogLeNet 和 SqueezeNet。实验结果表明，采用外观的方法比基于几何的方法更有效，并且我们在性别分类中达到了 94％的精度，而在年龄分类中只达到了 52％的精度。

Jun, 2018

基于生物特征的人类性别分类是计算机视觉领域的一个重要问题，本研究使用深度卷积神经网络模型对耳部图像进行自动性别分类，通过在 EarVN1.0 耳朵数据集上进行评估，准确率达到 93%。

Aug, 2023

本文提出了一种基于注意力网络和残差卷积网络集成的深度学习框架，可以高精度地预测面部图像的性别和年龄组，并通过可视化模型的注意图证明其能够敏锐地监测到面部适当部位，同时，在多任务学习方面得到了不错的成果。

Oct, 2020

本文研究了无约束耳辨识问题，并证明了当使用深度卷积神经网络模型进行耳辨识时领域适应的重要性。通过收集新的耳朵数据集，混合不同的深度卷积神经网络模型来进一步提高性能，分析了耳像质量对分类性能的影响。通过在 UERC 数据集上进行实验验证，实验结果表明，领域适应会带来显著的性能提升，并且图像质量对结果有影响。对不同数据集存在偏差的问题进行分析，结果表明耳辨识数据集之间存在较强的偏差。

Mar, 2018

IdentiFace 是一个多模式人脸生物特征系统，通过使用 VGG-16 模型和不同子系统的微小改进，将面部识别与性别、面部形状和情感等重要的软生物特征相结合，实现了五个类别的测试精度达到 99.2％，性别识别、面部形状和情感识别问题也取得了不错的测试精度。

Jan, 2024

本文介绍了一种简化的本地深度神经网络方法，通过仅使用 9 个覆盖整个面部区域的重叠图像块，降低了训练时间，同时性能略有降低，试验表明眼部区域有助于性别识别，口部和眼睛区域对年龄识别有用。

Mar, 2017

本研究使用四种不同的神经网络模型，并研究了不同的人脸对齐方法对模型的影响。研究证明，适当的参数初始化和简单的预处理步骤可以提高性别识别的表现。

Aug, 2017

通过使用深度卷积神经网络模型，对于人脸图像中的年龄和性别的识别，使用特征相似的 VGG-Face 模型提高了 7% 和 4.5% 的准确性，同时比使用特定任务的 GilNet 模型表现更佳。

Oct, 2016

该论文旨在通过结合自注意力和双向 LSTM 方法，提出了一个混合模型来解决年龄和性别分类问题，并与现有的先进模型进行对比，结果显示该模型在年龄和性别分类方面分别比先前的模型提高了约 10% 和 6%，表现更好，具有更广泛的学习能力，可应用于各种图像处理和计算机视觉问题中。

Mar, 2024

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