Stima dell'età basata sul Deep Learning e classificazione del genere per la pubblicità mirata

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

July 24, 2025

Autori: Muhammad Imran Zaman, Nisar Ahmed

cs.AI

Abstract

Questo articolo presenta un nuovo approccio basato sul deep learning per la classificazione simultanea dell'età e del genere da immagini facciali, progettato per migliorare l'efficacia delle campagne pubblicitarie mirate. Proponiamo un'architettura personalizzata di Rete Neurale Convoluzionale (CNN), ottimizzata per entrambi i compiti, che sfrutta la correlazione intrinseca tra le informazioni sull'età e sul genere presenti nelle caratteristiche facciali. A differenza dei metodi esistenti che spesso trattano questi compiti in modo indipendente, il nostro modello apprende rappresentazioni condivise, portando a un miglioramento delle prestazioni. La rete è addestrata su un ampio e diversificato dataset di immagini facciali, pre-elaborato con cura per garantire robustezza rispetto a variazioni di illuminazione, posa e qualità dell'immagine. I nostri risultati sperimentali dimostrano un miglioramento significativo nell'accuratezza della classificazione del genere, raggiungendo il 95%, e un errore assoluto medio competitivo di 5,77 anni per la stima dell'età. In modo critico, analizziamo le prestazioni attraverso diversi gruppi di età, identificando specifiche sfide nella stima accurata dell'età degli individui più giovani. Questa analisi rivela la necessità di un aumento mirato dei dati e di un affinamento del modello per affrontare questi bias. Inoltre, esploriamo l'impatto di diverse architetture CNN e impostazioni degli iperparametri sulle prestazioni complessive, fornendo spunti preziosi per future ricerche.

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.