تقدير العمر هو مشكلة تعلم كلاسيكية في رؤية الحاسوب. تم اقتراح العديد من الشبكات العصبية التلافيفية (CNN) الأكبر والأعمق والتي أظهرت أداءً واعداً، مثل AlexNet و VggNet و GoogLeNet و ResNet. ومع ذلك، هذه النماذج ليست عملية للاستخدام في الأجهزة المدمجة/المحمولة. مؤخراً، تم اقتراح MobileNets و ShuffleNets لتقليل عدد المعاملات، مما أدى إلى نماذج خفيفة الوزن. ومع ذلك، فقد ضعفت قدرتهم التمثيلية بسبب استخدام التحويل التلفيحي العميق (depth-wise separable convolution). في هذا البحث، نستكشف حدود النموذج المضغوط للصور الصغيرة ونقترح نموذج تقدير العمر القائم على السياق المتدرج والمضغوط للغاية (C3AE). يحتوي هذا النموذج على فقط 1/9 و 1/2000 من معاملات MobileNets/ShuffleNets و VggNet على التوالي، بينما يحقق أداءً تنافسياً. بشكل خاص، نعيد تعريف مشكلة تقدير العمر باستخدام تمثيل نقطتين، والذي يتم تنفيذه بواسطة نموذج متدرج. بالإضافة إلى ذلك، لاستخدام معلومات السياق الوجهي بشكل كامل، تم اقتراح شبكة CNN متعددة الفروع لجمع السياقات متعددة المقاييس. تم إجراء التجارب على ثلاثة مجموعات بيانات لتقدير العمر. قد تحقق النموذج المضغوط أفضل الأداء الحالي بهامش كبير نسبياً.