Wir stellen einen neuen Ansatz zur Annotation einer großen Menge an in-the-wild-Facial-Bildern mit hochwertigen posterioren Altersverteilungen als Labels vor. Jede posteriore Verteilung liefert eine Wahrscheinlichkeitsverteilung der geschätzten Alter für ein Gesicht. Unser Ansatz wird durch die Beobachtung motiviert, dass es einfacher ist, zwischen zwei Personen zu unterscheiden, wer älter ist, als das tatsächliche Alter einer Person zu bestimmen. Gegeben eine Referenzdatenbank mit Bildern bekannter Alter und einem zu annotierenden Datensatz, können wir zuverlässige Annotationen mittels menschlich gestützter Vergleiche von der ersten zur zweiten Datenmenge übertragen. Wir zeigen eine effektive Methode, solche Vergleiche mittels vollständig verbundener Schichten und SoftMax-Ausgaben in posteriore Verteilungen zu transformieren, wodurch ein end-to-end-Training in einem tiefen Netzwerk ermöglicht wird. Dank des effizienten und effektiven Annotationsschemas haben wir ein neues großskaliges Datenset für das Alter von Gesichtern, namens „MegaAge“, zusammengestellt, das aus 41.941 Bildern besteht. Die Daten sind über unsere Projektseite mmlab.ie.cuhk.edu.hk/projects/MegaAge sowie über github.com/zyx2012/Age_estimation_BMVC2017 abrufbar. Mit diesem Datenset trainieren wir ein Netzwerk, das gleichzeitig ordinales Hyperplane-Klassifikation und Lernen posteriorer Verteilungen durchführt. Unser Ansatz erreicht state-of-the-art-Ergebnisse auf etablierten Benchmarks wie MORPH2, Adience sowie dem kürzlich vorgeschlagenen MegaAge-Datenset.