أصبحت تقدير العمر الظاهري من صورة الوجه موضوعًا يجذب اهتمامًا متزايدًا نظرًا لفوائده في تطبيقات العالم الحقيقي. في هذه الدراسة، نقترح نهجًا تعلمًا من النهاية إلى النهاية لتقدير العمر الظاهري بشكل موثوق، ونُسمّيه AgeNet. وبشكل خاص، نعالج مشكلة تقدير العمر الظاهري من خلال دمج نوعين من النماذج: النماذج القائمة على الانحدار القائم على القيم الحقيقية، والنماذج القائمة على التصنيف التي تعتمد على توزيع العلامات الغاوسيّة. بالنسبة لكلا النوعين من النماذج، يتم استخدام شبكة عصبية تلافيفية عميقة على نطاق واسع لاستخلاص تمثيلات عمرية مفيدة. ويُعدّ أحد السمات الرئيسية لـ AgeNet المقترح هو تجنّب مشكلة التعلّم الزائد (over-fitting) على مجموعة تدريب صغيرة من العمر الظاهري، من خلال استغلال نموذج نقل التعلم من العام إلى الخاص. من الناحية التقنية، يتم أولاً تدريب AgeNet مسبقًا على مجموعة بيانات واسعة النطاق من صور الوجه تم جمعها من الإنترنت وتحتوي على علامات هوية، ثم يتم تحسينه دقيقًا على مجموعة بيانات واسعة النطاق تحتوي على علامات عمر حقيقية ذات ضجيج، وأخيرًا يتم تحسينه دقيقًا على مجموعة تدريب صغيرة تحتوي على علامات عمر ظاهري. وتشير النتائج التجريبية على مسابقة ChaLearn 2015 لتقدير العمر الظاهري إلى أن AgeNet يحقق أداءً من الدرجة الأولى (state-of-the-art) في تقدير العمر الظاهري.