L’estimation d’âge à partir d’images vise à prédire l’âge d’une personne à partir d’images faciales. Elle trouve des applications dans de nombreux domaines du monde réel. Bien que les modèles profonds end-to-end aient atteint des résultats impressionnants sur les jeux de données standard, leurs performances dans des conditions réelles (in-the-wild) restent encore insatisfaisantes en raison des défis posés par les grandes variations de pose du visage, d’expressions faciales et d’occlusions. Pour relever ce défi, nous proposons une méthode simple mais efficace visant à intégrer explicitement des informations sémantiques faciales dans le processus d’estimation d’âge, afin que le modèle puisse apprendre à se concentrer correctement sur les composantes faciales les plus informatives, même à partir d’images non alignées, indépendamment de la pose du visage et des déformations non rigides. À cette fin, nous concevons un réseau basé sur la segmentation faciale pour extraire des informations sémantiques à différentes échelles, ainsi qu’un nouveau module d’attention basé sur la segmentation faciale afin d’exploiter ces caractéristiques sémantiques pour l’estimation d’âge. Pour évaluer notre méthode sur des données in-the-wild, nous introduisons également un nouveau jeu de données de grande taille, difficile, appelé IMDB-Clean. Ce jeu de données est obtenu par un nettoyage semi-automatique du jeu de données bruité IMDB-WIKI, grâce à une méthode de clustering contraint. À travers des expériences approfondies sur IMDB-Clean et d’autres jeux de données standards, sous les protocoles d’évaluation intra-ensemble et cross-ensemble, nous démontrons que notre méthode surpasse systématiquement toutes les approches existantes d’estimation d’âge et atteint un nouveau record d’état de l’art. À notre connaissance, ce travail constitue la première tentative d’utilisation de l’attention basée sur la segmentation faciale pour réaliser une estimation d’âge sensible aux sémantiques, ce qui pourrait inspirer d’autres tâches avancées d’analyse faciale. Le code et les données sont disponibles à l’adresse \url{https://github.com/ibug-group/fpage}.