얼굴 이미지에서 나이를 추정하는 작업은 실제 응용 분야에서 유리한 특성을 지녀 점점 더 많은 주목을 받고 있다. 본 연구에서는 강건한 명시적 나이 추정을 위한 엔드투엔드 학습 접근법을 제안하며, 이를 AgeNet이라고 명명한다. 구체적으로, 실수값 기반 회귀 모델과 가우시안 레이블 분포 기반 분류 모델을 융합하여 명시적 나이 추정 문제를 해결한다. 두 가지 유형의 모델 모두 정보성 있는 나이 표현을 학습하기 위해 대규모 심층 합성곱 신경망을 활용한다. 제안된 AgeNet의 또 다른 핵심 특징은 소규모 명시적 나이 학습 데이터셋에서 과적합(over-fitting) 문제를 방지하기 위해 일반적에서 특정으로 향하는 전이 학습(transfer learning) 전략을 적용하는 것이다. 기술적으로, AgeNet은 먼저 정체성 레이블이 있는 대규모 웹 수집 얼굴 데이터셋에서 사전 학습(pre-training)을 수행하고, 이후 노이즈가 포함된 나이 레이블을 가진 대규모 실제 나이 데이터셋에서 미세 조정(fine-tuning)을 수행한다. 마지막으로, 명시적 나이 레이블이 있는 소규모 학습 데이터셋에서 다시 미세 조정을 수행한다. ChaLearn 2015 명시적 나이 경진대회에서의 실험 결과를 통해, 본 AgeNet이 명시적 나이 추정 분야에서 최신 기술 수준(SOTA, state-of-the-art)의 성능을 달성함을 입증하였다.