Estimativa de Idade Baseada em Aprendizado Profundo e Classificação de Gênero para Publicidade Direcionada

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

Resumo

Este artigo apresenta uma nova abordagem baseada em aprendizado profundo para a classificação simultânea de idade e gênero a partir de imagens faciais, projetada para aumentar a eficácia de campanhas publicitárias segmentadas. Propomos uma arquitetura personalizada de Rede Neural Convolucional (CNN), otimizada para ambas as tarefas, que aproveita a correlação inerente entre informações de idade e gênero presentes nas características faciais. Diferentemente de métodos existentes que frequentemente tratam essas tarefas de forma independente, nosso modelo aprende representações compartilhadas, resultando em um desempenho aprimorado. A rede é treinada em um grande e diversificado conjunto de dados de imagens faciais, cuidadosamente pré-processadas para garantir robustez contra variações de iluminação, pose e qualidade da imagem. Nossos resultados experimentais demonstram uma melhoria significativa na precisão da classificação de gênero, atingindo 95%, e um erro absoluto médio competitivo de 5,77 anos para a estimativa de idade. De forma crítica, analisamos o desempenho em diferentes faixas etárias, identificando desafios específicos na estimativa precisa da idade de indivíduos mais jovens. Essa análise revela a necessidade de aumento de dados direcionado e refinamento do modelo para abordar esses vieses. Além disso, exploramos o impacto de diferentes arquiteturas de CNN e configurações de hiperparâmetros no desempenho geral, fornecendo insights valiosos para pesquisas futuras.

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.