AI Summary & Key Takeaways
AI InsightThe accuracy result obtained has a higher classification success compared to other methods, and shows that deep neural networks can make an accurate skin type classification.
📌 3 Key Takeaways
Abstract
There are many factors that can change and affect appearance, including age and environment. Knowing the skin type helps to choose the products best suited to the needs of the skin and therefore the right skin care. Recently, the increasing demand for cosmetics and the scarcity of well-equipped cosmetologists have encouraged cosmetology centers to meet the need by using artificial intelligence applications. Deep learning applications can give high accuracy results in determining the skin type. Recent research shows that learning performs better on nonlinear data than machine learning methods. The aim of this study is to find the best classification model for skin type prediction in skin analysis data with deep learning. For this purpose, 4 different optimization algorithms as Sgd, Adagrad, Adam and Adamax; Tanh and ReLU activation functions and combinations of different neuron numbers using, 16 different models were created.In experimental studies, the performance of the models varies according to the parameters, and it has been observed that the most successful deep neural network model is the model consisting of 64 neurons, Sgd optimization function and ReLU activation function combination with a success rate of 93.75. The accuracy result obtained has a higher classification success compared to other methods, and shows that deep neural networks can make an accurate skin type classification.
Özet
Yaş ve çevre dahil görünümü değiştirebilecek ve etkileyebilecek birçok faktör vardır. Cilt tipini bilmek, cildin ihtiyaçlarına en uygun ürünleri ve dolayısıyla doğru cilt bakımını seçmeye yardımcı olur. Son zamanlarda, kozmetik için artan talep ve yeterli donanıma sahip kozmetikçilerin azlığı, kozmetoloji merkezlerini yapay zekâ uygulamaları kullanarak ihtiyacı karşılamaya teşvik etmiştir. Derin öğrenme uygulamaları, cilt tipinin belirlenmesinde yüksek doğrulukta sonuçlar verebilir. Son araştırmalar gösteriyor ki, öğrenme, doğrusal olmayan veriler üzerinde makine öğrenimi yöntemlerinden daha iyi sonuçlar verir. Bu çalışmanın amacı, derin öğrenme ile cilt analizi verilerinde cilt tipi tahmini için en iyi sınıflandırma modelini bulmaktır. Bu amaç doğrultusunda, Sgd, Adagrad, Adam ve Adamax olmak üzere 4 farklı optimizasyon algortiması; Tanh ve ReLU aktivasyon fonksiyonlarını ve farklı nöron sayılarının kombinasyonları ile 16 farklı model oluşturulmuştur. Deneysel çalışmalarda, modellerin performansı parametrelere göre değişmekte olup en başarılı derin sinir ağı modelinin 93,75 başarı oranı ile 64 nöron, Sgd optimizasyon fonksiyonu ve ReLU aktivasyon fonksiyonu kombinasyonundan oluşan modelin olduğu gözlemlenmiştir. Elde edilen doğruluk sonucu diğer yöntemlere kıyasla daha yüksek bir sınıflandırma başarısına sahiptir ve derin sinir ağlarının doğru bir şekilde cilt tipi sınıflandırması yapabileceğini göstermektedir.