Die automatische Vorhersage von Altersgruppe und Geschlecht anhand von Gesichtsbildern, die unter freien Bedingungen aufgenommen wurden, stellt eine wichtige und herausfordernde Aufgabe in zahlreichen realen Anwendungen dar. Dennoch erweisen sich herkömmliche Methoden, die auf manuell entworfenen Merkmalen basieren und an Benchmarks für „in-the-wild“-Daten getestet werden, als unzureichend, da sie nicht in der Lage sind, die erheblichen Variationen in solchen unkontrollierten Bildern zu bewältigen. Diese Schwierigkeit lässt sich teilweise durch den Einsatz von Faltungsneuralen Netzen (Convolutional Neural Networks, CNN) verringern, da diese über eine starke Fähigkeit zur Merkmalsdarstellung verfügen. In diesem Artikel stellen wir eine neue CNN-basierte Methode zur Altersgruppen- und Geschlechtsabschätzung vor, die auf Residual Networks of Residual Networks (RoR) beruht und gegenüber anderen CNN-Architekturen eine bessere Optimierungsfähigkeit für die Klassifikation von Altersgruppe und Geschlecht zeigt. Zudem werden zwei einfache, auf Beobachtungen der charakteristischen Eigenschaften der Altersgruppen basierende Mechanismen vorgestellt, um die Leistung der Altersschätzung weiter zu verbessern. Um die Leistung weiter zu steigern und das Überanpassungsproblem zu mildern, wird das RoR-Modell zunächst auf ImageNet vortrainiert, anschließend auf dem IMDB-WIKI-101-Datensatz für die feinere Anpassung der Gesichtsmerkmale weiter trainiert und schließlich auf dem Adience-Datensatz für eine letzte Feinabstimmung eingesetzt. Unsere Experimente belegen die Wirksamkeit der RoR-Methode für die Alters- und Geschlechtsabschätzung unter realen, unkontrollierten Bedingungen, wobei sie gegenüber anderen CNN-Verfahren eine überlegene Leistung erzielt. Schließlich erreicht das RoR-152+IMDB-WIKI-101-Modell mit den beiden vorgestellten Mechanismen neue SOTA-Ergebnisse (state-of-the-art) auf dem Adience-Benchmark.