Diepgaand Leren-Gebaseerde Leeftijdschatting en Geslachtsclassificatie voor Gerichte Advertenties

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

July 24, 2025

Auteurs: Muhammad Imran Zaman, Nisar Ahmed

cs.AI

Samenvatting

Dit artikel presenteert een nieuwe, op deep learning gebaseerde aanpak voor de gelijktijdige classificatie van leeftijd en geslacht vanuit gezichtsafbeeldingen, ontworpen om de effectiviteit van gerichte advertentiecampagnes te verbeteren. We stellen een aangepaste Convolutional Neural Network (CNN)-architectuur voor, geoptimaliseerd voor beide taken, die gebruikmaakt van de inherente correlatie tussen leeftijd en geslachtsinformatie aanwezig in gezichtskenmerken. In tegenstelling tot bestaande methoden die deze taken vaak onafhankelijk behandelen, leert ons model gedeelde representaties, wat leidt tot verbeterde prestaties. Het netwerk wordt getraind op een grote, diverse dataset van gezichtsafbeeldingen, zorgvuldig voorbewerkt om robuustheid te waarborgen tegen variaties in belichting, houding en beeldkwaliteit. Onze experimentele resultaten tonen een significante verbetering in de nauwkeurigheid van geslachtsclassificatie, met een score van 95%, en een competitief gemiddeld absoluut foutpercentage van 5,77 jaar voor leeftijdsschatting. Cruciaal is dat we de prestaties analyseren over verschillende leeftijdsgroepen, waarbij specifieke uitdagingen worden geïdentificeerd in het nauwkeurig schatten van de leeftijd van jongere individuen. Deze analyse onthult de noodzaak van gerichte data-augmentatie en modelverfijning om deze vooroordelen aan te pakken. Bovendien onderzoeken we de impact van verschillende CNN-architecturen en hyperparameterinstellingen op de algehele prestaties, wat waardevolle inzichten biedt voor toekomstig onderzoek.

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.