Estimation de l'âge et classification du genre basées sur l'apprentissage profond pour la publicité ciblée

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

Cet article présente une nouvelle approche basée sur l'apprentissage profond pour la classification simultanée de l'âge et du genre à partir d'images faciales, conçue pour améliorer l'efficacité des campagnes publicitaires ciblées. Nous proposons une architecture personnalisée de réseau de neurones convolutifs (CNN), optimisée pour ces deux tâches, qui exploite la corrélation inhérente entre les informations sur l'âge et le genre présentes dans les caractéristiques faciales. Contrairement aux méthodes existantes qui traitent souvent ces tâches de manière indépendante, notre modèle apprend des représentations partagées, conduisant à une amélioration des performances. Le réseau est entraîné sur un vaste ensemble de données diversifié d'images faciales, soigneusement prétraité pour garantir la robustesse face aux variations d'éclairage, de pose et de qualité d'image. Nos résultats expérimentaux démontrent une amélioration significative de la précision de la classification du genre, atteignant 95 %, et une erreur absolue moyenne compétitive de 5,77 ans pour l'estimation de l'âge. De manière critique, nous analysons les performances à travers différents groupes d'âge, identifiant des défis spécifiques dans l'estimation précise de l'âge des individus plus jeunes. Cette analyse révèle la nécessité d'une augmentation ciblée des données et d'un raffinement du modèle pour aborder ces biais. De plus, nous explorons l'impact de différentes architectures CNN et de réglages d'hyperparamètres sur la performance globale, fournissant des insights précieux pour les recherches futures.

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.