1. Rude Carnie: Age and Gender Deep Learning with TensorFlow
paper：https://talhassner.github.io/home/projects/cnn_agegender/CVPR2015_CNN_AgeGenderEstimation.pdf
贡献：使用 CNN 来做年龄性别预测。
time: 2015
来源：以色列开放大学
dataset: Adience
开源：https://github.com/dpressel/rude-carnie （Tensorflow）
模型：inception_v3、levi_hassner_bn、levi_hassner（CNN）
原理：基于人脸，需要先做人脸检测。Do face detection and age and gender classification on pictures.
paper 中的网络架构图：
2. FairFace: Face Attribute Dataset for Balanced Race, Gender, and Age
paper：https://openaccess.thecvf.com/content/WACV2021/papers/Karkkainen_FairFace_Face_Attribute_Dataset_for_Balanced_Race_Gender_and_Age_WACV_2021_paper.pdf
贡献：提出了一个新的平衡种族、性别和年龄的人脸图像数据集。
time: 2021
来源：加州大学洛杉矶分校
dataset: 提出的新的数据集 FairFace，种族平衡。
开源：https://github.com/dchen236/FairFace （Pytorch）
模型：resnet34
原理：基于人脸，需要先做人脸检测。
3. DAGER: Deep Age, Gender and Emotion Recognition Using Convolutional Neural Network
paper：https://arxiv.org/pdf/1702.04280v2.pdf
贡献：提出了一个年龄、性别和情感识别系统。
time: 2017
来源：Sighthound Inc.
dataset: 自己的 large datasets for age, emotion and gender recognition。
开源：https://github.com/CVxTz/face_age_gender （Tensorflow），该开源使用 Adience 数据集，包含该论文的模型。
模型：开源代码包含：上面的模型1、https://www.openu.ac.il/home/hassner/Adience/EidingerEnbarHassner_tifs.pdf 以及 该论文的模型。还是 Resnet。
原理：基于人脸，需要先做人脸检测。
4. agegenderLMTCNN
paper：https://arxiv.org/pdf/1806.02023v1.pdf
贡献：轻量级多任务CNN，用于同时进行年龄和性别分类。使用 Depthwise Separable Convolution。主要是用到移动端。
time: 2018
来源：中央研究院信息科学研究所，台北
dataset: Adience
开源：https://github.com/ivclab/agegenderLMTCNN （tensorflow)
模型：Depthwise Separable Convolution
原理：基于人脸，需要先做人脸检测。
paper 架构图：
4. RetinaFace + ArcFace + MLP + Skip connections
paper：https://arxiv.org/pdf/2108.08186v2.pdf
贡献：MLP with IC layers 来进行 年龄分类。
time: 2021
来源： 阿姆斯特丹自由大学
dataset: Adience、IMDB-WIKI
开源：https://github.com/tae898/age-gender （pytorch )
模型：改进的 MLPs。
原理：使用 Retinaface 得到仿射变换后的 112 × 112 × 3 pixel 人脸（对齐的），然后使用 Arcface 获得 512d 特征，送到 MLPs 中年龄分类。
5. Moving Window Regression: A Novel Approach to Ordinal Regression
paper：https://arxiv.org/pdf/2203.13122.pdf
贡献：提出了一种新的有序回归算法——移动窗口回归(MWR)算法进行年龄估计
time: CVPR 2022
来源：韩国大学
dataset: MORPH II , FG-NET, CLAP2015 , UTK,
CACD, Adience, 和 IMDB-WIKI.
开源：https://github.com/nhshin-mcl/MWR （pytorch )
模型：ρ-regressor
原理：MTCNN 做人脸检测，然后人脸对齐，然后使用本文提出来的算法。
paper 架构图：
6. 开源库
开源：https://github.com/serengil/deepface
说明：Age model got ± 4.65 MAE; gender model got 97.44% accuracy, 96.29% precision and 95.05% recall as mentioned in its tutorial.
其他参考资料：
https://blog.csdn.net/zzccxx5/article/details/108111967
https://www.zhihu.com/question/519236201
标签：github,性别,paper,人脸,https,pdf,识别,com,调研 From： https://www.cnblogs.com/odesey/p/16800014.html