Age Group and Gender Classification from Facial Images Based on Deep Neural Network Fusion

Year 2021, , 150 - 158, 31.03.2021

Eren Karakaş İbrahim Yücel Özbek

https://doi.org/10.18185/erzifbed.887945

Abstract

Akıllı uygulamalar hızla gelişmesi sistemlerin yapay zekâya dayalı otomatik çıkarımlar yapmasının önünü açmış ve araştırmanın bu alana doğru kaymasına neden olmuştur. İnsan yüzü bu açıdan önemlidir. Çünkü duygu, ifade, yaş, cinsiyet gibi birçok özellik bundan elde edilebilir. Bu makalede yüz görüntülerinden yaş ve cinsiyet sınıflandırması üzerine birçok araştırmalar yapılmıştır. Evrişimsel sinir ağı tabanlı birçok algoritma çeşitli transfer öğrenme yöntemleri ile eğitilmiş ve sistemin performansının artması için birçok modifikasyonlar yapılmıştır. Özellikle modellerden elde edilen sonuçlar füzyon yapılarak önerilen yöntemin başarısı artırılmıştır. Çalışmada önerilen yöntemin başarısını ölçmek için Adience veri seti kullanılmıştır. Bu veri seti filtrelenmemiş gerçek hayat fotoğraflarından oluşturulmuştur ve bu nedenle düşük görüntü kalitesine sahip görüntüler içermektedir. Elde edilen deneysel sonuçlara göre önerilen yöntemin doğruluk performansı cinsiyet ve yaş sınıflandırması için sırasıyla %92,29 ve %60,26 olarak bulunmuştur

Keywords

Age classification, gender detection, deep learning, CNN

Derin Sinir Ağlarının Füzyonu ile Yüz İmgelerinden Yaş Grubu ve Cinsiyet Sınıflandırma

Abstract

Akıllı uygulamaların hızla gelişmesi sistemlerin yapay zekâya dayalı otomatik çıkarımlar yapmasının önünü açmış ve araştırmanın bu alana doğru kaymasına neden olmuştur. İnsan yüzü bu açıdan önemlidir. Çünkü duygu, ifade, yaş, cinsiyet gibi birçok özellik insan yüzünden elde edilebilir. Bu makalede yüz görüntülerinden yaş ve cinsiyet sınıflandırması üzerine birçok araştırma yapılmıştır. Evrişimsel sinir ağı tabanlı birçok algoritma çeşitli transfer öğrenme yöntemleri ile eğitilmiş ve sistem performansının artması için birçok modifikasyonlar yapılmıştır. Özellikle modellerden elde edilen sonuçlar füzyon yapılarak önerilen yöntemin başarısı artırılmıştır. Çalışmada önerilen yöntemin başarısını ölçmek için Adience veri seti kullanılmıştır. Bu veri seti filtrelenmemiş gerçek fotoğraflardan oluşturulmuştur ve bu nedenle düşük görüntü kalitesine sahip görüntüler içermektedir. Elde edilen deneysel sonuçlara göre önerilen yöntemin doğruluk performansı cinsiyet ve yaş sınıflandırması için sırasıyla %92,29 ve %60,26 olarak bulunmuştur.

Keywords

derin öğrenme, cinsiyet sınıflandırma, yaş sınıflandırma, adience, çoğunluk oylayıcı

References

• Sharma, A. (tarih yok). Confusion Matrix in Machine Learning from GeeksforGeeks: https://www.geeksforgeeks.org/confusion-matrix-machine-learning/
• Agbo-Ajala, O., & Viriri, S. (2020). Deeply Learned Classifiers for Age and Gender Predictions of Unfiltered Faces. Hindawi The Scientific World Journal.
• Akbulut, Y., Şengür, A., & Ekici, S. (2017). Gender recognition from face images with deep learning. 2017 International Artificial Intelligence and Data Processing Symposium (IDAP).
• Eidinger , E., Enbar , R., & Hassner, T. (2014). Age and Gender Estimation of Unfiltered Faces. IEEE Transactions on Information Forensics and Security, 2170 - 2179.
• Ekmekji, A. (2016). Convolutional Neural Networks for Age and Gender Classification. Stanford University.
• Hosseini, S., Lee, S. H., Kwon, H. J., Koo, H. I., & Cho, N. I. (2018). Age and Gender Classification Using Wide Convolutional Neural Network and Gabor Filter. 2018 International Workshop on Advanced Image Technology. Chiang Mai: IEEE.
• Lapuschkin, S., Binder, A., Müller, K. R., & Samek, W. (2017). Understanding and Comparing Deep Neural Networks for Age and Gender Classification. ICCV'17 Workshop on Analysis and Modeling of Faces and Gestures.
• Levi, G., & Hassner, T. (2015). Age and gender classification using convolutional neural networks. 2015 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW).
• Liu, X., Li , J., Pan, J.-S., & Hu, C. (2017). Deep convolutional neural networks-based age and gender classification with facial images. 2017 First International Conference on Electronics Instrumentation & Information Systems (EIIS).
• Mingxing, D., Li, K., Yang, C., & Li, K. (2018). A hybrid deep learning CNN–ELM for age and gender classification. Neurocomputing, 448-461.
• Refaeilzadeh, P., Tang, L., & Liu, H. (2009). Cross-Validation. Encyclopedia of Database Systems (p. 532-538).
• Rodríguez, P., Cucurull , G., Gonfaus, J., Roca, F., & Gonzàlez, J. (2017). Age and gender recognition in the wild with deep attention. Pattern Recognition, 563-571.
• Wolfshaar, J., Karaaba, M., & Wiering, M. (2015). Deep Convolutional Neural Networks and Support Vector Machines for Gender Recognition. 2015 IEEE Symposium Series on Computational Intelligence. Cape Town.
• Zhang, K., Sun, M., Han, T., Yuan, X., Guo, L., & Liu, T. (2016). Residual Networks of Residual Networks: Multilevel Residual Networks. IEEE TRANSACTIONS ON LATEX CLASS FILES.
• Zhang, K., Gao, C., Guo, L., Sun, M., Yuan, X., Han, T., Li, B. (2017). Age Group and Gender Estimation in the Wild With Deep RoR Architecture. IEEE Access , 22492 - 22503.
• Tivive , F., & Bouzerdoum, A. (2006). A Gender Recognition System using Shunting Inhibitory Convolutional Neural Networks. The 2006 IEEE International Joint Conference on Neural Network Proceedings, 5336-5341.