Face analysis tasks, e.g., estimating gender or age from a face image, have been attracting increasing interest in recent years. However, most existing studies focus mainly on analyzing an adult’s face and ignore an interesting question: is it easy to estimate gender and age from a baby’s face? In this paper, we explore this interesting problem. We first collect a new face image dataset for our research, named BabyFace, which contains 15 528 images from 5 872 babies younger than two years old. Besides gender, each face image is annotated with age in months from 0 to 24. In addition, we propose new age estimation and gender recognition methods. In particular, based on SSR-Net backbone, we introduce the attention mechanism module to solve the age estimation problem on the BabyFace dataset, named SSR-SE. In the part of gender recognition, inspired by the age estimation method, we also use a two-stream structure, named Two-Steam SE-block with Augment (TSSEAug). We extensively evaluate the performance of the proposed methods against the state-of-the-art methods on BabyFace. Our age estimation model achieves very appealing performance with an estimation error of less than two months. The proposed gender recognition method obtains the best accuracy among all compared methods. To the best of our knowledge, we are the first to study age estimation and gender recognition from a baby’s face image, which is complementary to existing adult gender and age estimation methods and can shed some light on exploring baby face analysis.

近年来，人脸分析任务，例如从人脸图像中估计性别或年龄，引起了越来越多的兴趣。然而，现有的大多数研究主要集中在分析成年人的面部，而忽略了一个有趣的问题：从婴儿的面部估计性别和年龄是否容易？在本文中，我们探讨了这个有趣的问题。我们首先为我们的研究收集了一个名为 BabyFace 的新人脸图像数据集，其中包含来自 5 872 名两岁以下婴儿的 15 528 张图像。除了性别，每张人脸图像都标注了从 0 到 24 个月的年龄。此外，我们提出了新的年龄估计和性别识别方法。特别是，基于 SSR-Net 主干，我们引入了注意力机制模块来解决 BabyFace 数据集上的年龄估计问题，名为 SSR-SE。在性别认同方面，受年龄估计方法的启发，我们还使用了一种双流结构，名为 Two-Steam SE-block with Augment (TSSEAug)。我们针对 BabyFace 上的最新方法广泛评估了所提出方法的性能。我们的年龄估计模型以不到两个月的估计误差实现了非常吸引人的性能。所提出的性别识别方法在所有比较方法中获得了最好的准确性。据我们所知，我们是第一个从婴儿面部图像中研究年龄估计和性别识别的人，这是对现有成人性别和年龄估计方法的补充，可以为探索婴儿面部分析提供一些启示。我们针对 BabyFace 上的最新方法广泛评估了所提出方法的性能。我们的年龄估计模型以不到两个月的估计误差实现了非常吸引人的性能。所提出的性别识别方法在所有比较方法中获得了最好的准确性。据我们所知，我们是第一个从婴儿面部图像中研究年龄估计和性别识别的，它是对现有成人性别和年龄估计方法的补充，可以为探索婴儿面部分析提供一些启示。我们针对 BabyFace 上的最新方法广泛评估了所提出方法的性能。我们的年龄估计模型以不到两个月的估计误差实现了非常吸引人的性能。所提出的性别识别方法在所有比较方法中获得了最好的准确性。据我们所知，我们是第一个从婴儿面部图像中研究年龄估计和性别识别的，它是对现有成人性别和年龄估计方法的补充，可以为探索婴儿面部分析提供一些启示。