Deep-Learning-basierte Altersschätzung und Geschlechterklassifizierung für zielgerichtete Werbung

Deep Learning-Based Age Estimation and Gender Deep Learning-Based Age Estimation and Gender Classification for Targeted Advertisement

July 24, 2025

papers.authors: Muhammad Imran Zaman, Nisar Ahmed

cs.AI

papers.abstract

Dieses Papier stellt einen neuartigen Deep-Learning-Ansatz zur gleichzeitigen Alters- und Geschlechtsklassifikation von Gesichtsbildern vor, der entwickelt wurde, um die Effektivität zielgerichteter Werbekampagnen zu steigern. Wir schlagen eine speziell angepasste Convolutional Neural Network (CNN)-Architektur vor, die für beide Aufgaben optimiert ist und die inhärente Korrelation zwischen Alters- und Geschlechtsinformationen in Gesichtsmerkmalen nutzt. Im Gegensatz zu bestehenden Methoden, die diese Aufgaben oft unabhängig voneinander behandeln, lernt unser Modell gemeinsame Repräsentationen, was zu einer verbesserten Leistung führt. Das Netzwerk wird auf einem großen, vielfältigen Datensatz von Gesichtsbildern trainiert, die sorgfältig vorverarbeitet wurden, um Robustheit gegenüber Variationen in Beleuchtung, Pose und Bildqualität zu gewährleisten. Unsere experimentellen Ergebnisse zeigen eine signifikante Verbesserung der Genauigkeit bei der Geschlechtsklassifikation mit 95 % und einen konkurrenzfähigen mittleren absoluten Fehler von 5,77 Jahren bei der Altersschätzung. Kritisch analysieren wir die Leistung über verschiedene Altersgruppen hinweg und identifizieren spezifische Herausforderungen bei der genauen Schätzung des Alters jüngerer Personen. Diese Analyse zeigt die Notwendigkeit einer gezielten Datenanreicherung und Modellverfeinerung, um diese Verzerrungen zu adressieren. Darüber hinaus untersuchen wir den Einfluss verschiedener CNN-Architekturen und Hyperparameter-Einstellungen auf die Gesamtleistung und liefern wertvolle Erkenntnisse für zukünftige Forschungen.

English

This paper presents a novel deep learning-based approach for simultaneous age and gender classification from facial images, designed to enhance the effectiveness of targeted advertising campaigns. We propose a custom Convolutional Neural Network (CNN) architecture, optimized for both tasks, which leverages the inherent correlation between age and gender information present in facial features. Unlike existing methods that often treat these tasks independently, our model learns shared representations, leading to improved performance. The network is trained on a large, diverse dataset of facial images, carefully pre-processed to ensure robustness against variations in lighting, pose, and image quality. Our experimental results demonstrate a significant improvement in gender classification accuracy, achieving 95%, and a competitive mean absolute error of 5.77 years for age estimation. Critically, we analyze the performance across different age groups, identifying specific challenges in accurately estimating the age of younger individuals. This analysis reveals the need for targeted data augmentation and model refinement to address these biases. Furthermore, we explore the impact of different CNN architectures and hyperparameter settings on the overall performance, providing valuable insights for future research.