JS.Ye’s Research Hub

本文对标签分布学习的模型算法进行了代码实现，对整个LDL系列进行了一个总结。

本文精读 Geng 等《Sparsity Conditional Energy Label Distribution Learning for Age Estimation》(2016)，从条件能量模型出发，给出将对二值隐变量的指数和化为“门控乘积”的闭式推导；构建 KL 拟合 + 稀疏门控 的联合目标，推导 \(b_j\)、\(u_{jr}\)、\(\omega_r\) 的显式梯度及 SGD 更新；并对实验进行了总结和分析。

本文精读 Geng 等《Recurrent age estimation》(2019)，梳理了 Recurrent Age Estimation（RAE）的算法流程与整体结构，并总结其在公开数据集上的实验设置与主要结果，对模型效果与计算代价做简要分析。

本文精读 Geng 等《Semi-Supervised Adaptive Label Distribution Learning for Facial Age Estimation》(2017)，在回顾 LDL/ALDL 的前提下，用统一记号梳理 SALDL 的最小闭环流程（条件分布预测 → 伪年龄 KNN → 分龄 σ 自适应），明确“所有样本基于当前模型预测分布”的伪年龄估计，整理 MORPH 的实验协议与对比结果。

本文精读 Geng 等《Age Estimation Using Expectation of Label Distribution Learning》(2018)，从方法、理论、工程与实验四方面展开。先推导高斯标签分布的 CDF，并证明 Ranking≈1−CDF 的极限等价，统一两路线；再给出联合学习框架（KL+L1）及 logits 梯度，阐明与 MAE 的对齐；随后解析 Thin/TinyAgeNet 与混合池化的轻量化；最后概括实验设置与结论，解释“分布+期望”的稳健增益。

本文对 Xin Geng 等人的论文《Deep Label Distribution Learning for Apparent Age Estimation》（2015）以及《Practical Age EstimationUsing Deep Label Distribution Learning》（2020）进行了精读，以 ICCVW 2015 的方案为起点，梳理其面向 ChaLearn 的两流 CNN、由标注均值与方差生成软标签并以 KL 做分布监督的完整训练与推理；再到 2020 年 Practical DLDL，将“全局”标签分布收缩为以真实年龄为中心的邻域截断分布并系统扫 σ。

本文对 Xin Geng 等人的论文《Facial Age Estimation by Adaptive Label Distribution Learning》（2014 ）进行了精读，系统梳理方法框架，并给出关键数学推导。本文展示了自适应标签分布与分龄方差的定义与软标签构造的交替优化流程；拟牛顿法对更新条件概率函数参数的优化；以及实验设置与结论。

本文对 Xin Geng 等人的论文《Facial Age Estimation by Learning from Label Distributions》（2013 ）进行了精读。该工作是在 2011 年提出的标签分布学习与 IIS-LLD 算法基础上的拓展，提出了条件概率神经网络（CPNN），以端到端方式直接建模条件分布，突破了固定函数形状的限制。本文将重点说明 CPNN 的建模流程，并总结其在 FG-NET 与 MORPH 数据集上的实验结果。

本文对Xin Geng等人的论文《Facial Age Estimation by Learning from Label Distributions》（2011）进行了精读，系统梳理其研究框架，并详细推导了其中的关键数学模型。精读过程包括明确标签分布的定义，分析以KL散度为目标的标签分布学习模型，深入推导了基于最大熵模型的条件概率函数及其优化算法IIS-LLD，最后总结了论文的实验设计与结果。