딥러닝 기반 연령 추정 및 성별 분류를 통한 타겟 광고

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

July 24, 2025

저자: Muhammad Imran Zaman, Nisar Ahmed

cs.AI

초록

본 논문은 타겟 광고 캠페인의 효과를 향상시키기 위해 설계된, 얼굴 이미지로부터 연령과 성별을 동시에 분류하는 새로운 딥러닝 기반 접근 방식을 제시합니다. 우리는 두 가지 작업에 최적화된 맞춤형 합성곱 신경망(CNN) 아키텍처를 제안하며, 이는 얼굴 특징에 내재된 연령과 성별 정보 간의 상관관계를 활용합니다. 기존 방법들이 이러한 작업을 독립적으로 처리하는 것과 달리, 우리의 모델은 공유 표현을 학습함으로써 성능을 개선합니다. 이 네트워크는 조명, 포즈, 이미지 품질의 변화에 대해 견고성을 보장하기 위해 신중하게 전처리된 대규모의 다양한 얼굴 이미지 데이터셋으로 학습됩니다. 실험 결과, 성별 분류 정확도는 95%로 크게 향상되었으며, 연령 추정에서는 5.77년의 경쟁력 있는 평균 절대 오차를 달성했습니다. 특히, 우리는 다양한 연령대에 걸친 성능을 분석하여 어린 개인의 연령을 정확히 추정하는 데 있어 특정한 어려움을 식별했습니다. 이 분석은 이러한 편향을 해결하기 위한 타겟 데이터 증강 및 모델 개선의 필요성을 보여줍니다. 또한, 우리는 다양한 CNN 아키텍처와 하이퍼파라미터 설정이 전체 성능에 미치는 영향을 탐구함으로써 향후 연구를 위한 유용한 통찰을 제공합니다.

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.