论文：AgeNet: Deeply Learned Regressor and Classifier for Robust Apparent Age Estimation
ICCV2015
论文提出了一种基于人脸的年龄识别网络AgeNet。该网络同时基于分类和回归对年龄进行预测，然后将2个分支的特征进行融合，得到更好的预测结果。并且在ChaLearn 2015 Apparent Age Competition 取得了最好的结果。
主要贡献：
- 提出了端到端的年龄识别方案AgeNet，并且了融合了回归和分类2个模。训练过程中，分别基于年龄数值进行回归，基于年龄的高斯分布作为label进行分类。
- 为了减少小数据上的过拟合，使用了迁移学习的策略。
- 取得了ICCV2015 Looking at People Challenge - Track 1 Apparent Age Estimation 第一名的成绩
整体网络结构：
使用的主干网络结构为GoogLeNet ，
网络结构的修改包括，去掉多余的2个loss层。在每一个Relu操作之前，增加BN操作，去除所有的dropout。
Label制作：
年龄的训练标签，可以使用下面3种方式表示。
（1）1-dimension real-value encoding，就是使用具体的一维数值表示
（2）0/1 encoding，使用one-hot形式表示
（3）Label distribution encoding，基于分布表示，
j表示按照时间顺序的年龄，比如0到85，
y表示标签，
σ 表示label的标准差，
最终标签分布如下，
Loss函数：
回归，
分类，
训练流程：
首先使用CASIA-WebFace 进行人脸识别训练。然后使用CACD ，Morph-II ，WebFaceAge 进行真实年龄的微调。最后使用Morph-II 进行表面年龄的微调。
人脸预处理：
（1）Face Detection 人脸检测
（2）Facial Landmark Localization 人脸关键点定位，包括左眼中心，右眼中心，鼻子尖，嘴巴左角，嘴巴右角。
（3）Face Normalization 人脸标准化，论文采用了基于外部（Exterior ）和内部（Interior ）的2种人脸标准化方法。
基于Exterior 的方法，既包括了外部的信息，也包括了全面的纹理信息。
基于organs 的方法，仅仅包括了内部的人脸五官。
2种方法都将人脸归一化到256*256大小。
集成学习：
（1）模型集成Model Ensemble ，将分类和回归进行集成。
（2）人脸模板集成Face Template Ensemble，采用不同的人脸标准化方法，不同的crop大小。
实验结果：
