Estimación de Edad y Clasificación de Género Basada en Aprendizaje Profundo para Publicidad Dirigida

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

July 24, 2025

Autores: Muhammad Imran Zaman, Nisar Ahmed

cs.AI

Resumen

Este artículo presenta un novedoso enfoque basado en aprendizaje profundo para la clasificación simultánea de edad y género a partir de imágenes faciales, diseñado para mejorar la efectividad de las campañas publicitarias dirigidas. Proponemos una arquitectura personalizada de Red Neuronal Convolucional (CNN), optimizada para ambas tareas, que aprovecha la correlación inherente entre la información de edad y género presente en las características faciales. A diferencia de los métodos existentes que suelen tratar estas tareas de manera independiente, nuestro modelo aprende representaciones compartidas, lo que conduce a un mejor rendimiento. La red se entrena con un conjunto de datos grande y diverso de imágenes faciales, cuidadosamente preprocesadas para garantizar robustez frente a variaciones en iluminación, pose y calidad de imagen. Nuestros resultados experimentales demuestran una mejora significativa en la precisión de clasificación de género, alcanzando un 95%, y un error absoluto medio competitivo de 5.77 años para la estimación de edad. De manera crítica, analizamos el rendimiento en diferentes grupos de edad, identificando desafíos específicos en la estimación precisa de la edad de individuos más jóvenes. Este análisis revela la necesidad de una ampliación de datos dirigida y un refinamiento del modelo para abordar estos sesgos. Además, exploramos el impacto de diferentes arquitecturas CNN y configuraciones de hiperparámetros en el rendimiento general, proporcionando insights valiosos para futuras investigaciones.

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.