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

本研究关注耳部生物特征识别，通过利用其独特特征来提高准确性、可靠性和实用性，并证明了耳部生物特征识别在克服面部表情和光照条件变化等局限性方面的有效性。通过数据预处理和增强等技术，我们的模型在 AMI 数据集上实现了 99.35% 的测试准确率，并在 EarNV1.0 数据集上实现了 98.1% 的测试准确率，展示了我们方法在基于耳部生物特征的个体识别方面的有效性。

May, 2024

本文提出了基于多模态深度神经网络框架的人脸及耳朵综合识别系统，通过探索不同的多模态策略和领域适应技术，同时结合面部及耳部图像信息，成功实现了高精度的年龄和性别识别。

Jul, 2019

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

本论文介绍了自动耳识别技术的最新进展，主要讨论了基于描述符的方法。除此之外，该论文还引入了一个包含多种现代技术的工具箱和一个完全自由的耳图像数据集，目的是解决领域中的一些问题并向研究社区公开提供。

Nov, 2016

本文研究使用基于耳朵的生物识别技术，探讨耳朵检测和分割的关键算法，训练和比较三种新模型与现有的 MaskRCNN 模型，并根据四个数据集的平均精度得分 (AP) 表明，新模型表现更好，但是单一模型无法最佳地适应多个数据集。

Nov, 2022

本研究提出了一个大型数据集，其中包含详细的基准信息，用于人类手图像（背侧和掌侧）的性别识别和生物识别。利用卷积神经网络来训练，设计了一个两流的 CNN 来解决性别识别问题。该模型可以被用作特征提取器，为生物识别任务提供支持向量机分类器的输入。通过实验结果，发现正常像机拍摄的背侧图像与掌侧图像一样有效。

Nov, 2017

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