KaydedilenlerDerginizi ekleyin

Dergiler / Düzce Üniversitesi Bilim ve Teknoloji Dergisi / 2021 / Cilt: 9 - Sayı: 2

Kontrolsüz Ortamlarda CNN Tabanlı Cinsiyet Tahmini

CNN-based Gender Prediction in Uncontrolled Environments

Kazım YILDIZ
Anil BAS
Engin GÜNEŞ
Sayfa
890–898
Yayın Tarihi
2022-10-12
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Çalışmanın amacı düşük çözünürlükteki resimleri yüksek doğrulukla sınıflandırabilmektir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Üretilen ve toplanan veri miktarının giderek artması ile birlikte yapay zekâ teknolojilerin kullanılması kaçınılmaz hale gelmiştir.
📊
Temel Bulgular & Veri:Yapılan deneyler sonucunda VGGFace2 veri seti üzerinde 93.71% ve Adience veri seti üzerinde 85.52% oranında başarı sağlanmıştır.
💡
Sonuç & Katkı:Çalışmanın amacı düşük çözünürlükteki resimleri yüksek doğrulukla sınıflandırabilmektir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:CNN · VGGFace2 · Adience

Özet

Üretilen ve toplanan veri miktarının giderek artması ile birlikte yapay zekâ teknolojilerin kullanılması kaçınılmaz hale gelmiştir. Bu teknolojilerden biri olan derin öğrenme teknikleri kullanılarak bilgisayarlı görü ve görüntü işleme alanlarında yüz analizi ve sınıflandırma gibi görevlerde yüksek performans alınabilmektedir. Bu çalışmada derin öğrenme algoritmalarından Evrişimsel Sinir Ağları (CNN) kullanılmıştır. Bu algoritma ile oluşturulan model, yüz görüntüleriyle eğitilmiş ve cinsiyet tahmini yapılmıştır. Yapılan deneyler sonucunda VGGFace2 veri seti üzerinde 93.71% ve Adience veri seti üzerinde 85.52% oranında başarı sağlanmıştır. Çalışmanın amacı düşük çözünürlükteki resimleri yüksek doğrulukla sınıflandırabilmektir.

Abstract

With the increasing amount of data produced and collected, the use of artificial intelligence technologies has become inevitable. By using deep learning techniques from these technologies, high performance can be achieved in tasks such as classification and face analysis in the fields of image processing and computer vision. In this study, Convolutional Neural Networks (CNN), one of the deep learning algorithms, was used. The model created with this algorithm was trained with facial images and gender prediction was made. As a result of the experiments, 93.71% success rate was achieved on the VGGFace2 data set and 85.52% success rate on the Adience data set. The aim of the study is to classify low-resolution images with high accuracy.

🔖

Bu Makaleye Atıf Yap

YILDIZ, K., BAS, A., GÜNEŞ, E. (2022). Kontrolsüz Ortamlarda CNN Tabanlı Cinsiyet Tahmini. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 9 - Sayı: 2, 890–898. https://ajindex.com/articles/494018

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. J. M. Gandarias, A. J. García-Cerezo and J. M. Gómez-de-Gabriel, “CNN-based methods for object recognition with high-resolution tactile sensors,” IEEE Sensors Journal, vol. 19, no. 16, pp. 6872–6882, 2019
  2. W. Chan, N. Jaitly, Q. Le, O. Vinyals and N. Shazeer, “Speech recognition with attention-based recurrent neural networks,” U.S. Patent Appl. 20200118554A1, Apr. 16, 2020
  3. K. A. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale ımage recognition,” in Proc. International Conference on Learning Representations (ICLR), 2015, pp. 1–14
  4. B. Shrestha, Y. Kwon, D. Chung and W. Gal, “The atrous cnn method with short computation time for super-resolution,” International Journal of Computing and Digital Systems, vol. 9, no. 2, pp. 221–227, 2020
  5. E. Learned-Miller, G. B. Huang, A. RoyChowdhury, H. Li and G. Hua, “Labeled faces in the wild: A survey,” in Advances in Face Detection and Facial Image Analysis, 1st ed., Cham, Switzerland: Springer, 2016, pp. 189–248
  6. N. Van Balen, C. Ball and H. Wang, “Analysis of targeted mouse movements for gender classification,” EAI Endorsed Transactions on Security and Safety, vol. 4, no. 11, 2017
  7. J. E. Tapia and C. A. Perez, “Gender classification from nır ımages by using quadrature encoding filters of the most relevant features,” IEEE Access, vol. 7, pp. 29114–29127, 2019
  8. D. Yaman, F. I. Eyiokur and H. K. Ekenel, “Multimodal age and gender classification using ear and profile face ımages,” in Proc. Computer Vision and Pattern Recognition Workshops (CVPRW), 2019, pp. 2414–2421
  9. N. A. Nazifa, C. Y. Fook, L. C. Chin, V. Vijean and E. S. Kheng, “Gender prediction by speech analysis,” Journal of Physics: Conference Series, vol. 1372, no. 012011, 2019
  10. B. Kaur, D. Singh and P. P. Roy, “Age and gender classification using brain–computer interface,” Neural Computing and Applications, vol. 31, no. 10, pp. 5887–5900, 2019
  11. C. Bhagvati, “Word representations for gender classification using deep learning,” Procedia Computer Science, vol. 132, pp. 614–622, 2018
  12. Z. Q. Mawlood and A. T. Sabir, “Human gait-based gender classification using neutral and non-neutral gait sequences,” Revista Innovaciencia, vol. 7, no. 1, pp. 1–13, 2019
  13. J. A. Polin and O. Khan, “Gender identification from smart phone usage using machine learning algorithm,” B.Sc. Report, Department Computer Science and Engineering, Daffodil International University, Dhaka, Bangladesh, 2019