Elkarazle, K.; Raman, V.; Then, P. Facial Age Estimation Using

Age manifold
: Age manifold focuses on treating ageing patterns as a trend for several
subjects at various ages instead of finding a specific ageing pattern for each person. The flex-
ibility of the ageing manifold method allows for subject representation to be in the form of

---

Big Data Cogn. Comput. 2022, 6, 128
8 of 22
one image or several images at different ages. Comparing the age manifold to a close equiv-
alent (AGES), we find that models based on this method can learn low-dimensional ageing
patterns that AGES could ignore. The low subspace is defined using conformal embedding
analysis (CEA) [
39
], which obtains features and reduces dimensionality through discrimi-
nating analysis and conformal mapping. Both these techniques project high-dimensional
data onto a unit hypersphere. Unsupervised dimensionality reduction techniques are
not effective for handling discriminators. Instead, [
40
] suggested an alternative to reduce
dimensionality using a supervised algorithm, denoted as orthogonal locality preserving
projections (OLPP), whereby age is first predicted using a regression function and is then
locally adjusted to match the correct values within a boundary.
5.2. Deep Learning Models
Deep learning models work differently than their manual counterparts. After acquir-
ing and pre-processing the images, we feed them to a deep neural network. The network
may consist of several convolutional neural network layers (CNN) [
41
], pooling layers,
dropout layers, batch normalisation layers, or residual connections. We then define the
number of filters and the size of each kernel. The layers in the network will automatically
extract ageing features as the network continue processing the input images. Deep learning
models are usually more accurate than their handcrafted counterparts as we allow the
model to decide on the essential features to learn. One of the significant drawbacks to this
is the high computational cost, as these models can become enormous and consume more
computational power and time. Deep learning models can be either trained from scratch or
based on pre-trained models.
1.