本研究提出了一种新的损失函数 AdaFace，它可以基于图像质量加重不同难度的样本，通过用特征范数来近似图像质量，从而提高人脸识别性能。

Apr, 2022

本文提出了一种基于深度残差神经网络的人脸年龄估计方法，使用 UTKFace 数据集进行验证，结果显示，相比已有的年龄估计算法，平均绝对误差 (MAE) 提高了 28.3％，相比于已实现的 AlexNet，MAE 提高了 71.39％。同时，本文表明所提出方法的性能降低不超过 1.5％，即使在注入大量噪声（比正常环境噪声高 5 倍）时也具有噪声容忍性。

Apr, 2023

我们提出了一种新的损失函数，它根据样本的预测难度动态重新调整交叉熵，以解决深度神经网络在图像分类和人体姿势估计中无法准确区分相似对象和对称身体部位的问题。该损失函数惩罚网络以避免虚假预测的分数显著，我们在两种不同的领域中评估它，并发现与基线方法相比，在两个应用程序中都实现了更高的准确性。

Sep, 2019

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

本文提出了一个综合性框架，旨在克服面部年龄估计所涉及的挑战。通过提出一种新的年龄编码方法 Soft-ranking，分析现有的评估协议，并提出一种新的正则化策略以解决深度模型过拟合问题来提高模型在 Morph II，CLAP2015 和 CLAP2016 数据库上的性能。

Jun, 2019

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

该研究提出了两种基于深度可微随机森林方法的年龄估计模型：Deep Label Distribution Learning Forest 和 Deep Regression Forest，通过对分割节点和叶节点进行交替优化学习更好的树形参数估计，取得了三个年龄估计数据集上最优的性能表现。

Jul, 2019

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

本文提出将面部吸引力计算视为标签分布学习问题，并使用深度神经网络学习有效特征来解决面部表示问题，建立了一个端对端的深度学习框架。该方法通过 SCUT-FBP 数据集获得了最佳结果。

Sep, 2016