論文の概要: African Gender Classification Using Clothing Identification Via Deep Learning
- arxiv url: http://arxiv.org/abs/2503.00058v1
- Date: Wed, 26 Feb 2025 20:59:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-05 19:24:26.760756
- Title: African Gender Classification Using Clothing Identification Via Deep Learning
- Title（参考訳）: 深層学習における衣服識別を用いたアフリカンジェンダーの分類
- Authors: Samuel Ozechi,
- Abstract要約: AFRIFASHION1600データセットは、アフリカ伝統服の1,600枚の画像を、男性と女性という2つのジェンダークラスに分類したものだ。
VGG16アーキテクチャを改良し,トランスファーラーニングを用いて訓練した深層学習モデルを開発した。
このモデルはテストセットで87%の精度を達成し、女性のサンプルに有利なデータセットの不均衡にもかかわらず、強い予測能力を示した。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Human attribute identification and classification are crucial in computer vision, driving the development of innovative recognition systems. Traditional gender classification methods primarily rely on facial recognition, which, while effective, struggles under non-ideal conditions such as blurriness, side views, or partial occlusions. This study explores an alternative approach by leveraging clothing identification, specifically focusing on African traditional attire, which carries culturally significant and gender-specific features. We use the AFRIFASHION1600 dataset, a curated collection of 1,600 images of African traditional clothing labeled into two gender classes: male and female. A deep learning model, based on a modified VGG16 architecture and trained using transfer learning, was developed for classification. Data augmentation was applied to address the challenges posed by the relatively small dataset and to mitigate overfitting. The model achieved an accuracy of 87% on the test set, demonstrating strong predictive capability despite dataset imbalances favoring female samples. These findings highlight the potential of clothing-based identification as a complementary technique to facial recognition for gender classification in African contexts. Future research should focus on expanding and balancing datasets to enhance classification robustness and improve the applicability of clothing-based gender recognition systems.
- Abstract（参考訳）: 人間の属性の識別と分類はコンピュータビジョンにおいて不可欠であり、革新的な認識システムの開発を推進している。
従来の性別分類法は主に顔認識に依存しており、効果はあるが、曖昧さ、側観、部分閉塞といった非理想的な条件下では苦労している。
本研究は,文化的に重要な特徴と性別に特有な特徴を持つアフリカの伝統的な服装に特化して,衣服の識別を活用する方法を探るものである。
AFRIFASHION1600データセットは、アフリカ伝統服の1,600枚の画像を、男性と女性という2つのジェンダークラスに分類したものだ。
VGG16アーキテクチャを改良し,トランスファーラーニングを用いて訓練した深層学習モデルを開発した。
データ拡張は、比較的小さなデータセットがもたらす課題に対処し、オーバーフィッティングを軽減するために適用された。
このモデルはテストセットで87%の精度を達成し、女性のサンプルに有利なデータセットの不均衡にもかかわらず、強い予測能力を示した。
これらの知見は,アフリカにおける性別分類における顔認識の補完的手法として,衣服による識別の可能性を強調した。
今後の研究は、分類の堅牢性を高め、衣服に基づく性別認識システムの適用性を向上させるために、データセットの拡大とバランスに重点を置くべきである。
関連論文リスト
- On the "Illusion" of Gender Bias in Face Recognition: Explaining the Fairness Issue Through Non-demographic Attributes [7.602456562464879]
顔認識システムは、ユーザの性別に基づいて、かなりの精度の差を示す。
顔の属性を効果的にデコレーションし、集約し、バイアスの少ない性別分析を可能にするツールチェーンを提案する。
実験の結果,男女のイメージが特定の属性を共有すると,男女差は消失することがわかった。
論文 参考訳（メタデータ） (2025-01-21T10:21:19Z) - Gender assignment in doctoral theses: revisiting Teseo with a method based on cultural consensus theory [0.0]
本研究では,学術的文脈におけるジェンダー割り当て手法を批判的に評価する。
この研究は、文化的なコンセンサスに基づく手法であるnomquamgenderを導入し、スペインの論文データベースであるTeseoに適用した。
論文 参考訳（メタデータ） (2025-01-20T15:22:01Z) - GenderCARE: A Comprehensive Framework for Assessing and Reducing Gender Bias in Large Language Models [73.23743278545321]
大規模言語モデル(LLM)は、自然言語生成において顕著な能力を示してきたが、社会的バイアスを増大させることも観察されている。
GenderCAREは、革新的な基準、バイアス評価、リダクションテクニック、評価メトリクスを含む包括的なフレームワークである。
論文 参考訳（メタデータ） (2024-08-22T15:35:46Z) - GenderBias-\emph{VL}: Benchmarking Gender Bias in Vision Language Models via Counterfactual Probing [72.0343083866144]
本稿では,GenderBias-emphVLベンチマークを用いて,大規模視覚言語モデルにおける職業関連性バイアスの評価を行う。
ベンチマークを用いて15のオープンソースLVLMと最先端の商用APIを広範囲に評価した。
既存のLVLMでは男女差が広くみられた。
論文 参考訳（メタデータ） (2024-06-30T05:55:15Z) - Gender Biases in Automatic Evaluation Metrics for Image Captioning [87.15170977240643]
画像キャプションタスクのためのモデルに基づく評価指標において、性別バイアスの体系的研究を行う。
偏りのある世代と偏りのない世代を区別できないことを含む、これらの偏りのあるメトリクスを使用することによる負の結果を実証する。
人間の判断と相関を損なうことなく、測定バイアスを緩和する簡便で効果的な方法を提案する。
論文 参考訳（メタデータ） (2023-05-24T04:27:40Z) - Deep Generative Views to Mitigate Gender Classification Bias Across
Gender-Race Groups [0.8594140167290097]
本稿では,性別・人種グループ間の偏見を低減し,分類精度を向上させるためのバイアス緩和戦略を提案する。
我々は、ジェンダー分類バイアスを軽減するために、生成的視点、構造化学習、そして明らかな学習の力を利用する。
論文 参考訳（メタデータ） (2022-08-17T16:23:35Z) - Fairness of Machine Learning Algorithms in Demography [0.0]
この論文は、ロシアの人口統計データセットのモデルフェアネスとプロセスフェアネスの研究に費やされている。
我々は、ニューラルベースアプローチの"ドロップアウト"テクニックからインスピレーションを得て、プロセスの公正性に対処するために"フィーチャードロップアウト"を使用するモデルを提案した。
論文 参考訳（メタデータ） (2022-02-02T13:12:35Z) - Improving Gender Fairness of Pre-Trained Language Models without
Catastrophic Forgetting [88.83117372793737]
元のトレーニングデータに情報を埋め込むことは、モデルの下流のパフォーマンスを大きなマージンで損なう可能性がある。
本稿では,GEnder Equality Prompt(GEEP)を提案する。
論文 参考訳（メタデータ） (2021-10-11T15:52:16Z) - Understanding Fairness of Gender Classification Algorithms Across
Gender-Race Groups [0.8594140167290097]
本研究の目的は,性別・人種間の性別分類アルゴリズムの差分性能について検討することである。
すべてのアルゴリズムにおいて、黒人女性(一般には黒人人種)は最小の精度で常に取得した。
中東の男性とラテン系の女性は、ほとんどの場合より高い精度で取得した。
論文 参考訳（メタデータ） (2020-09-24T04:56:10Z) - Enhancing Facial Data Diversity with Style-based Face Aging [59.984134070735934]
特に、顔データセットは、通常、性別、年齢、人種などの属性の観点からバイアスされる。
本稿では, 細粒度の老化パターンをキャプチャするデータ拡張のための, 生成スタイルに基づく新しいアーキテクチャを提案する。
提案手法は, 年齢移動のための最先端アルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-06-06T21:53:44Z) - 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)
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。