Masterarbeit: Modellierungsansätze und Loss-Design für präzise Altersschätzung

Hintergrund/Motivation: Gesichtbasierte Altersschätzung ist in vielen Anwendungen zentral (z. B. Identitätsprüfung, Jugendschutz, Medizin). Klassische Ansätze (reine Regression oder einfache Klassifikation) haben jedoch klare Grenzen: sie ignorieren Unsicherheit, leiden unter unausgewogenen Daten (long tail, fehlende Altersklassen) und unter der nicht-linearen Skala des Alters. Gleichzeitig wird in einer kürzlich erschienen Studie behauptet, dass Loss-Wahl und Architektur die Performance nur begrenzt beeinflussen [7]. Diese pauschale Aussage soll in dieser Arbeit kritisch und differenziert überprüft werden, um zu klären, wann die Wahl von Loss und Architektur entscheidungsrelevant ist und wann sie nachrangig bleibt. Ziel: Ziel dieser Masterarbeit ist ein systematischer Vergleich zentraler Modellierungsansätze und Loss-Funktionen für Altersschätzung sowie die Entwicklung neuer, robuster Verfahren. Dazu sollen: • Ansätze implementiert und verglichen werden: klassische Punkt-Regression, probabilistische Regression und Quantil-Regression [4], Klassifikation [1], ordinale Klassifikation [2,3], Label Distribution Learning [5], Hybrid-Verfahren etc. • Bedingungen und problematische Fälle untersucht werden: fehlende oder kleine Altersklassen, starke Imbalance (langen Verteilungsenden), Labelrauschen, nicht-lineare Altersskala. • Kritisch bestehende Metriken in Augenschein genommen werden und geeignete Metriken identifiziert oder entwickelt werden. • Aus den neuen Erkenntnissen heraus neue Verfahren entworfen und evaluiert werden. Ergebnisse: Erwartet werden belastbare Leitlinien, wann welcher Ansatz funktioniert (oder versagt), inklusive Ablationsstudien zu Loss-Design, Binning/Ordinalisierung, Verteilungszielen und Hybridierungen. Die Arbeit liefert reproduzierbare Implementierungen, starke Baselines, umfangreiche Evaluation auf gängigen Datensätzen (z. B. UTKFace, IMDB-WIKI, APPA-REAL, MORPH II, AgeDB) sowie Vorschläge für neue, robustere Verfahren. Die Arbeit stellt belastbare Leitlinien vor, wann welcher Ansatz funktioniert oder nicht funktioniert, Einschränkungen und Fallstricke und unerwartete Ergebnisse. Die Verfahren werden anhand von frei verfügbaren Benchmark-Datensätzen und selbstentwickelten Szenarien evaluiert und miteinander verglichen. Der verwendete Code ist gut dokumentiert, wiederverwendbar und die Ergebnisse sind reproduzierbar.