Глубокое обучение для оценки возраста и классификации пола в целях целевой рекламы

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

July 24, 2025

Авторы: Muhammad Imran Zaman, Nisar Ahmed

cs.AI

Аннотация

В данной статье представлен новый подход на основе глубокого обучения для одновременной классификации возраста и пола по изображениям лиц, разработанный для повышения эффективности целевых рекламных кампаний. Мы предлагаем специализированную архитектуру сверточной нейронной сети (CNN), оптимизированную для обеих задач, которая использует внутреннюю корреляцию между информацией о возрасте и поле, присутствующей в чертах лица. В отличие от существующих методов, которые часто рассматривают эти задачи независимо, наша модель обучается на общих представлениях, что приводит к улучшению производительности. Сеть обучается на большом и разнообразном наборе данных изображений лиц, тщательно предварительно обработанных для обеспечения устойчивости к вариациям освещения, позы и качества изображения. Наши экспериментальные результаты демонстрируют значительное улучшение точности классификации пола, достигая 95%, и конкурентоспособную среднюю абсолютную ошибку в 5,77 лет для оценки возраста. Важно отметить, что мы анализируем производительность в различных возрастных группах, выявляя специфические трудности в точной оценке возраста молодых людей. Этот анализ показывает необходимость целенаправленного увеличения данных и уточнения модели для устранения этих смещений. Кроме того, мы исследуем влияние различных архитектур CNN и настроек гиперпараметров на общую производительность, предоставляя ценные инсайты для будущих исследований.

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.