论文《Neural networks for facial age estimation : a survey on recent advances》：论文阅读

面部年龄估计：应用和挑战

应用：

刑事调查：根据不同来源收集的年龄信息确定被告。
商业：根据一个人的年龄群甚至性别来个性化购物体验。
监视和安全：如防止未成年人观看成人电影和其他年龄限制的相关材料。
人类识别：可以从以前的图像中辨认出失踪的老人。
招聘：确定招聘人员年龄或找到即将达到退休年龄的员工。
等等

挑战

难以估计准确的年龄，因为它依赖于准确的特征。
有年龄和性别资料的良好数据库的可用性有限。
大量的标签数据也给面部年龄带来了问题。
胡须、眼镜等伪装因素。
皮肤感染、化妆、饮食、成年时皮肤问题的变化和同概念时面部形状的变化。
图像中的面部表情，微笑、皱眉、大笑、哭泣会在前额、脸颊、眼周、嘴巴或鼻子等部位产生皱纹，这些都会对于年龄估计产生很大的影响。
环境中的姿态、遮挡、光线、颜色模式和种族也是一大挑战。

神经网络

Artifical neural networks

前馈神经网络
反馈神经网络

Convolutional neural networks

年龄估计论文阅读（一篇综述）
CNN模型的一般结构如上图；

AlexNet
VGG-16
GoogLeNet
dagi-CNN
ResNet

AlexNet：

年龄估计论文阅读（一篇综述）
AlexNet是一个总共8层的组合。5个卷积层，卷积层之后是最大池化，最后三层是全连接层。每个卷积层和全连接层之后都附加一个ReLU层。为了控制过拟合问题，在每一个全连接层之后还附加了一个dropout层。如上图。AlexNet前五位误差为16.4%

VGG-16

年龄估计论文阅读（一篇综述）

VGG-16是一个非常统一的架构，有16个卷积层，5个最大池化层，3个完全连接层和输出端的SoftMax层组成，ReLU层在所有隐藏层之后。如上图。VGG-Net的钱5误差为7.32%。

GoogleNet

年龄估计论文阅读（一篇综述）
GoogLeNet由9个Inception模块组成串联起来。一些初始模块后面跟着最大池化层。在GoogLeNet中，每个inception由几个卷积核组成，大小分别为1x1、3x3、5x5。1x1卷积层再深入网络的同时进行特征降维。如上图。Googl-Net包含22个卷积层，在前五个误差上，减少到6.67%。

DAG-CNN

年龄估计论文阅读（一篇综述）

DAG-CNN将典型CNN模型中的Conv、ReLU、Norm和Max-Pool等曾分组在一起，命名为链结构主干。该主干结构的ReLU的ReLU层连接到平均池化层，然后进行归一化，最后接入全连接层。N个来自不同层的这样的输出分数最终相加并输入到一个SoftMax输出函数中。

ResNet

目前研究的ResNet模型有ResNet-18、ResNet-34、ResNet-50、ResNet-101和ResNet-152。图中未ResNet-34结构，ResNet的前5个误差为5.71%。
年龄估计论文阅读（一篇综述）

研究工作（2010-2019）

Feed-forward back propagation artificial neural network(FFRPANN):有82.28%的精度（误差小于0.15%）。
BPANN combined with gene expression programming(GEP):神经元最小值和最大值分别为29和43.当有29个神经元时，发现MSE为0.12，总体正确分类为75.8%。当有43个神经元时，发现MSE为0.11，总体正确分类为70.07%。
Deep learned ageing pattern:从MORPH和FG-NET数据库获得的MAE值分别为4.77和4.26
CNN by Gil Levi：使用单次作物的年龄估计结果表明，精确的精度为49.5±4.4,1差的精度为84.6±1.7。然而，使用过样本的年龄估计方法的精确精度为50.7±5.1,1-OFF的精度为84.7±2.2。
Deep convnets along with transfer learning strategy:以错误率、精确匹配正确率(AEM)、年龄类别误差(AEO)和混淆矩阵作为评价参数。提出的单机型AEM为54%，AEO为90%。对于所提议的多型号，AEM为56%，AEO为92%。
CNN model by lvan Huerta et al:在MORPH-II数据集上年龄估计的MAE为4.25，CS为71.17%。在FRGC数据集上年龄估计的MAE为4.17，CS为76.24%。
Deep label distribution learning
Age-Net:其中最佳结果，MAE为3.3345，MNE为0.2872。
Fine-tuned CNN based on VGG-16：虽然验证集的错误率降低了，但是测试集的测试错误率仍然达到0.3668，这比验证集的测试错误率要高一些。
Deep age distribution learning:该方法的€error和MAE结果值分别为0.1341和1.7569。
Cascaded CNN:提出级联CNN，旨在Adience，FG-Net和ICCV2015Chalearn challenge (Escalera et al. 2015)数据集的无约束人脸图像该方法的高斯误差为0.297，精确精度为52.88±6,1-OFF精度为88.45±2.2。
Compact CNN
CNN for age estimation with age difference:该模型所有测试都是在FG-NET、MORPH和年份标记的LFW (Huang et al. 2007)数据集上进行的。FG-Net数据库获得的MAE为2.8,MORPH为2.78。
Multiple output CNN亚洲面孔年龄数据集(AFAD)。论文中得到的MAE值在MORPH-II数据库中为3.27，在AFAD数据库中为3.34。
Ranking CNN：对于L = 6，排名CNN的准确率为89.90%;对于L = 7，排名CNN的准确率为92.93%。它达到MAE值2.96。
D2C for age estimation：两个基准数据库(Morph2 database和WebFace database)。该模型在Morph2 - II数据集上的MAE为3.06，在WebFace数据集上的MAE为6.04。
Jointly fine-tuned DNN：在aGender数据库上获得的总精度值为56.06%，在Adience数据库上获得的总精度值为62.37%。
CNN for age estimation in wild：在Adience数据集上，不考虑注意模型的精度为57.8±4.9，考虑注意的精度为61.8±2.1。在Groups数据集图像上，注意模式变化时的正确率为60%，MAE为2.56。
Convolutional neural network (CNN)–extreme learning machine (ELM)：在年龄分类方面，准确度为52.3%，MAE为3.44。
CNN based five cascaded structures：在Morph-II数据库测试时，浅层网络的平均MAE为3.11，深层网络的平均MAE为2.93。CS结果显示，2网为42.54,4网为71.12,6网为87.07,8网为94.65,10网为97.82。CACD数据集将MAE值更改为5.24。
Deep residual CNN：PAL数据库图像的MAE为6.0,Morph数据库图像的MAE为5.78。
Autoencoders：在FG-NET数据库中MAE为3.75，在MORPH数据库中为3.34。
Conditional multitask (CMT) learning：在Morph - II数据库上，我们提出的方法对五次交叉验证协议的MAE为2.89，对两次交叉验证协议的MAE为2.91。
CNN for ocular images from smart phones：该研究的精确准确度和1-OFF准确度分别为46.97±2.9%和80.96±1.09%。
DAG‑CNN：对DAG-GoogLeNet模型的实验分析表明，在Morphi-II上的MAE为2.87，在FG-NET数据库上的MAE为3.05。而对DAG-VGG16模型的实验分析表明，在Morph-II上的MAE为2.81，在FG-NET数据库上的MAE为3.08。
CNN for fusion based multi‑stage age estimation：该方法在MORPHII数据库上的MAE值为3.17，在FG-NET数据库上的MAE值为3.29。