When Age-Invariant Face Recognition Meets Face Age Synthesis A Multi-Task Learning Framework

FG-NET人脸年龄数据库，含82人1002张图片，点标注数据（年龄信息见图片名）。

脑年龄预测 最后一年的项目-深度学习CNN预测大脑年龄

这是介绍AOI(Age of Information)的资料，AOI是一个衡量信息新鲜度的一个指标

这是全面介绍AOI(Age of Information)的资料。AOI是一个衡量信息新鲜度的一个指标，由于AOI这个概念比较新，全面介绍AOI的资料目前比较少

年龄计算器 直接从您的 android 设备计算您的年龄。

android-age-计算器 简单的 Android 应用程序，可根据某人的出生日期计算某人的年龄。

近年来，面部识别技术已经成为模式识别领域中的热门话题。 人脸是人类最重要的生物特征之一，其中包含许多重要信息，例如身份，性别，年龄，表情，种族等。 年龄是身份歧视的重要参考，年龄估计可以潜在地应用于人机交互，计算机视觉和商业智能。 本文解决了准确估计人类年龄的问题。 年龄估计系统通常由年龄特征提取和特征分类组成。 在特征提取部分，Gabor小波和局部二值模式（LBP）等众所周知的纹理描述符已用于特征提取。 在我们的方法中，我们使用卷积神经网络（CNN）提取面部特征。 通过建立基于丰富训练数据的多级CNN模型来获得卷积激活特征。在特征分类部分，将不同年龄划分为13个组，并使用支持向量机（SVM）分类器进行分类。 实验结果表明，在使用我们的老化数据库时，该方法的性能优于以前的方法。

matlab代码保密脑龄 评估各种机器学习模型性能的研究，这些模型用于通过基于功能磁共振成像的多种生物标记和认知行为表现来预测一个人的大脑年龄。 结果概述： 先决条件 所有功能都是用matlab编写的。 分析说明 使用一系列认知测试对行为测度进行了预测，预测了各个年龄段的约100名健康成年人的大脑年龄，使用了各自的功能磁共振成像数据计算了他们的功能连通性概况，并使用，计算了每个人的fMRI数据，这也是从每个人的功能磁共振成像数据得出的。 创建并比较了许多回归模型，以查看它们如何处理少量主题和许多功能。 这些包括： 二次模型回归 一般线性模型回归 偏最小二乘回归 森林随机回归 支持向量回归 通过使用嵌套的交叉验证结构来防止过度拟合，从而实现了预测。 结果发现，支持向量回归和偏最小二乘回归能够胜过其他方法，在受试者实际年龄和预测年龄之间平均误差为7.4年。 出于患者机密原因，此处未包含数据 档案文件 age_predict_master.m-运行所有模型的脚本 / model_functions-每种模型类型的脚本 - nested_fcn_quadratic_model_February

脸部老化CAAE 要求 点安装-r requirements.txt 火炬视觉0.4.0 火炬1.2.0 数据集 Colab笔记本 培训 推论-待定 快照 用法 git clone或下载此存储库的zip文件 从下载UTKFace的对齐和裁剪版本 安装要求 执行main.py python main.py 结果 UTKFace 行：年0〜5、5〜10、10〜15、16〜20、21〜30、31〜40、41〜50、51〜60、61〜70，超过70 epoch:50, step:86 EG_L1_loss:0.075875 |G_img_loss:5.226651 G_tv_loss:0.003358 |Ez_loss:0.851948 D_img:0.998970 |D_reconst:0