論文の概要: Age and Gender Prediction using Deep CNNs and Transfer Learning
- arxiv url: http://arxiv.org/abs/2110.12633v1
- Date: Mon, 25 Oct 2021 04:23:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-27 05:27:06.028611
- Title: Age and Gender Prediction using Deep CNNs and Transfer Learning
- Title（参考訳）: ディープCNNとトランスファー学習を用いた年齢・ジェンダー予測
- Authors: Vikas Sheoran, Shreyansh Joshi and Tanisha R. Bhayani
- Abstract要約: 我々は、人物の静止顔画像から年齢推定、年齢分類、性別分類の異なるモデルを訓練する。
CNN, ResNet50, ResNeXt50をスクラッチから抽出し, 年齢推定を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The last decade or two has witnessed a boom of images. With the increasing
ubiquity of cameras and with the advent of selfies, the number of facial images
available in the world has skyrocketed. Consequently, there has been a growing
interest in automatic age and gender prediction of a person using facial
images. We in this paper focus on this challenging problem. Specifically, this
paper focuses on age estimation, age classification and gender classification
from still facial images of an individual. We train different models for each
problem and we also draw comparisons between building a custom CNN
(Convolutional Neural Network) architecture and using various CNN architectures
as feature extractors, namely VGG16 pre-trained on VGGFace, Res-Net50 and
SE-ResNet50 pre-trained on VGGFace2 dataset and training over those extracted
features. We also provide baseline performance of various machine learning
algorithms on the feature extraction which gave us the best results. It was
observed that even simple linear regression trained on such extracted features
outperformed training CNN, ResNet50 and ResNeXt50 from scratch for age
estimation.
- Abstract（参考訳）: 過去10年か2年、画像のブームが見られた。
カメラの普及とセルフィーの出現により、世界中で利用可能な顔画像の数は急増している。
その結果,顔画像を用いた人物の年齢自動推定や性別予測への関心が高まっている。
本稿では,この問題に焦点をあてる。
具体的には,個人の静止顔画像から年齢推定,年齢分類,性別分類について検討する。
問題毎に異なるモデルをトレーニングし,カスタムcnn(convolutional neural network)アーキテクチャの構築と,vggface,res-net50,se-resnet50で事前トレーニングしたvgg16を特徴抽出器として使用する場合の比較を行った。
また,特徴抽出における各種機械学習アルゴリズムのベースライン性能も提供し,最良の結果を得た。
このような抽出された特徴に基づいて訓練された単純な線形回帰でさえ、年齢推定のためにスクラッチからcnn、resnet50、resnext50を上回った。
関連論文リスト
- Toward High Quality Facial Representation Learning [58.873356953627614]
我々はMask Contrastive Face (MCF)と呼ばれる自己教師型事前学習フレームワークを提案する。
トレーニング済みの視覚バックボーンの特徴マップを監視項目として使用し、マスク画像モデリングに部分的にトレーニング済みのデコーダを使用する。
このモデルはAFLW-19顔アライメントの0.932 NME_diag$とLaPa顔解析の93.96 F1スコアを達成する。
論文 参考訳（メタデータ） (2023-09-07T09:11:49Z) - Why do CNNs excel at feature extraction? A mathematical explanation [53.807657273043446]
実世界のデータセットに似た画像を生成するのに使用できる特徴抽出に基づく画像分類の新しいモデルを提案する。
本研究では,特徴の存在を検知する一方向線形関数を構築し,畳み込みネットワークで実現可能であることを示す。
論文 参考訳（メタデータ） (2023-07-03T10:41:34Z) - Portuguese Man-of-War Image Classification with Convolutional Neural
Networks [58.720142291102135]
ポルトガルマン・オブ・ウォー(ポルトガル語: Man-of-war、PMW)は、長い触手を持つゼラチン質の生物である。
本稿では,InstagramのソーシャルメディアからPMW画像を認識するための畳み込みニューラルネットワークの利用について報告する。
論文 参考訳（メタデータ） (2022-07-04T03:06:45Z) - Corrupted Image Modeling for Self-Supervised Visual Pre-Training [103.99311611776697]
自己教師型視覚前訓練のためのCIM(Corrupted Image Modeling)を提案する。
CIMは、小さなトレーニング可能なBEiTを備えた補助発電機を使用して、人工マスクトークンを使用する代わりに入力イメージを破損させる。
事前トレーニング後、エンハンサーは下流タスク用の高容量ビジュアルエンコーダとして使用できる。
論文 参考訳（メタデータ） (2022-02-07T17:59:04Z) - Facial Age Estimation using Convolutional Neural Networks [0.0]
本論文は,ノルウェー科学技術大学における機械学習の学生プロジェクトの一部である。
5つの畳み込み層と3つの完全連結層を持つ深い畳み込みニューラルネットワークを提示し、画像に基づく個人の年齢を推定する。
論文 参考訳（メタデータ） (2021-05-14T10:09:47Z) - Age Range Estimation using MTCNN and VGG-Face Model [0.11454121287632513]
CNNを用いた年齢範囲推定は無数の分野に応用されている。
CNNの深いモデルは、提案された作業における人々の年齢範囲の識別に使用されます。
論文 参考訳（メタデータ） (2021-04-17T15:54:14Z) - Facial expression and attributes recognition based on multi-task
learning of lightweight neural networks [9.162936410696409]
顔の識別と顔の属性の分類のための軽量畳み込みニューラルネットワークのマルチタスクトレーニングを検討する。
顔の表情を予測するためには,これらのネットワークを微調整する必要がある。
MobileNet、EfficientNet、RexNetアーキテクチャに基づくいくつかのモデルが提示される。
論文 参考訳（メタデータ） (2021-03-31T14:21:04Z) - Facial Masks and Soft-Biometrics: Leveraging Face Recognition CNNs for
Age and Gender Prediction on Mobile Ocular Images [53.913598771836924]
スマートフォンで撮影した自撮り眼画像を使って年齢や性別を推定します。
ImageNet Challengeの文脈で提案された2つの既存の軽量CNNを適応させる。
一部のネットワークは顔認識のためにさらにトレーニングされており、非常に大規模なトレーニングデータベースが利用可能です。
論文 参考訳（メタデータ） (2021-03-31T01:48:29Z) - Application of Facial Recognition using Convolutional Neural Networks
for Entry Access Control [0.0]
本論文は,画像中の人物を入力として捉え,その人物を著者の1人か否かを分類する,教師付き分類問題の解決に焦点をあてる。
提案手法は,(1)WoodNetと呼ばれるニューラルネットワークをスクラッチから構築し,トレーニングすること,(2)ImageNetデータベース上に事前トレーニングされたネットワークを利用することで,転送学習を活用すること,の2つである。
結果は、データセット内の個人を高い精度で分類し、保持されたテストデータに対して99%以上の精度で達成する2つのモデルである。
論文 参考訳（メタデータ） (2020-11-23T07:55:24Z) - Investigating Bias in Deep Face Analysis: The KANFace Dataset and
Empirical Study [67.3961439193994]
現在までに最も包括的で大規模な顔画像とビデオのデータセットを導入している。
データは、アイデンティティ、正確な年齢、性別、親族関係の点で手動で注釈付けされる。
提案したベンチマークでネットワーク埋め込みをデバイアス化する手法を導入し,テストした。
論文 参考訳（メタデータ） (2020-05-15T00:14:39Z) - Facial Emotions Recognition using Convolutional Neural Net [0.6091702876917281]
本稿では,畳み込みニューラルネットワーク(CNN)を用いた顔認識システムを提案する。
深層学習モデルはデータから学習するため,提案システムでは各画像を様々な事前処理ステップで処理し,予測精度を向上する。
組み合わせたデータセットを用いて,最大78.1パーセントの精度を達成した。
論文 参考訳（メタデータ） (2020-01-06T09:43:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。