• 《Using Ranking-CNN for Age Estimation》
• CVPR2017，Shixing Chen et al，Ranking-CNN

本文提出了一种考虑与年龄有关的 顺序信息 ，把年龄估计转化为一个排序问题，具体是通过一系列的二分类来实现，最后，通过合计二分类的结果来得到年龄预测结果。
（注：考虑了年龄之间的 时间顺序相关性 ）

框架结构：

论点：年龄的多分类完全忽略了年龄标签的顺序信息，年龄的回归过度简化成了线性模型。
Ranking-CNN针对不同的年龄段独立学习特征，使得学习的特征具有更有效的表现能力。

一个基本的网络结构：
由３个卷积和下采样，以及３个全连接层组成。C1 = 96个5 5卷积核，ReLU，S2=max pooling
3 3，stride=2，保留feature maps中最显著的特征，LRN，C3=256个5 5卷积核，ReLU，S4=S2，
LRN，C5=384个3 3的卷积核，S6=S2，F7=512个神经元，紧跟着ReLU和droput，F8=F7，
F9是二分类的输出。图像的输入256 256 3。
一系列二分类后的年龄预测：
损失函数：
文章中有很多公式推导，没有仔细研读。

测试结果：
从测试结果来看，效果优于DEX网络，但模型构建有点复杂。

注：博众家之所长，集群英之荟萃。