年龄性别分成8个区间段的论文，分段中间有缺失数字

年龄分类：年龄问题既可以当成年龄组的分类问题，也可以当成回归问题。
传统的比较好的方法LBP+SVM。
1.网络结构：

网络包含：3个卷积层，2个全连接层。使用了类似Alexnet的网络结构，层数比较小，这样可以避免过拟合。对于年龄的识别，论文分成了8个年龄段，相当于8分类模型；然后对于性别识别自然而然是二分类问题。

2.网络训练：
（1）初始化参数：权重初始化方法采用标准差为0.01，均值为0的高斯正太分布。
（2）网络训练：采用dropout，来限制过拟合。drop out比例采用0.5，还有就是数据扩充，数据扩充石通过输入256*256的图片，然后进行随机裁剪，裁剪为227*227的图片。
（3）训练方法采用，随机梯度下降法，min-batch 大小选择50，学习率大小0.001，然后当迭代到10000次以后，把学习率调为0.0001。
（4）结果预测：预测方法采用输入一张256*256的图片，一种方法是中心裁剪，另一种是裁剪5张图片，其中四张图片的裁剪方法分别采用以256*256的图片的4个角为点点，进行裁剪。然后最后一张，以人脸的中心为基点进行裁剪。然后对这5张图片进行预测，最后对预测结果进行平均。

数据集：

数据标签：
age_list=[‘(0, 2)’,’(4, 6)’,’(8, 12)’,’(15, 20)’,’(25, 32)’,’(38, 43)’,’(48, 53)’,’(60, 100)’]
gender_list=[‘Male’,’Female’]

评价标准：

注：在机器学习领域中，混淆矩阵（confusion matrix）是一种评价分类模型好坏的形象化展示工具。其中，矩阵的每一列表示的是模型预测的样本情况；矩阵的每一行表示的样本的真实情况。

注：博众家之所长，集群英之荟萃。

• 《Age and Gender Classification using Convolutional Neural Networks》
• 2015，Gil Levi and Tal Hassner，使用卷积神经网络来对年龄和性别进行预测。