Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Exploration de la faisabilité des techniques d'apprentissage profond pour une classification précise du genre à partir d'images oculaires

Created by
  • Haebom

Auteur

Basna Mohammed Salih Hasan, Ramadhan J.Mstafa

Contour

Cet article présente un modèle de classification des sexes utilisant des images couleur de la région périoculaire, indépendantes de facteurs tels que le maquillage ou le déguisement. Le modèle CNN proposé a été évalué sur deux ensembles de données oculaires : CVBL et (Femme et Homme). Il a atteint une précision élevée de 99 % sur l'ensemble de données CVBL et de 96 % sur l'ensemble de données (Femme et Homme). Cet objectif a été atteint grâce à un petit nombre de paramètres apprenables (7 235 089). Les performances du modèle ont été évaluées à l'aide de diverses mesures et comparées aux techniques de pointe existantes, démontrant son efficacité et suggérant des applications pratiques dans des domaines tels que la sécurité et la surveillance.

Takeaways, Limitations

•
Takeaways:
◦
Démontrer l’efficacité de la classification des sexes en utilisant la zone autour des yeux.
◦
Nous présentons un modèle CNN efficace qui atteint une grande précision (96-99%).
◦
Augmentez la charge de calcul et l'efficacité des ressources en mettant en œuvre des performances élevées avec moins de paramètres.
◦
Présentation d'applications pratiques dans divers domaines, notamment la sécurité et la surveillance.
•
Limitations:
◦
Manque de détails spécifiques sur la taille et la diversité des ensembles de données utilisés.
◦
Manque de généralisation de l’évaluation des performances entre différentes races ou groupes d’âge.
◦
Une validation supplémentaire des performances et de la robustesse dans des environnements d’application réels est nécessaire.
◦
(Femme et Homme) Manque d'informations spécifiques dans l'ensemble de données.
👍
Made with Slashpage