Derin öğrenme metotları ile yüz görüntülerinden yaş tespiti

Bu çalışmada, yüz görüntülerinden yaş tahmini gerçekleştirilmiş ve Hint Sineması Yüz Veri tabanı (IMFDB) üzerinde DenseNet modelleri kullanılmıştır. Yaş tespiti, güvenlik, sağlık ve pazarlama gibi çeşitli sektörlerde kritik bir öneme sahiptir. DenseNet mimarilerinin farklı versiyonları olan DenseNet-121, DenseNet-169, DenseNet-201 ve DenseNet-264, yaş tahmini için eğitilmiş ve doğruluk (accuracy), kesinlik (precision), geri çağırma (recall) ve F1 skoru gibi performans metrikleri üzerinden değerlendirilmiştir. Veri seti, 19.906 yüz görüntüsünden oluşmakta olup yaş kategorileriyle etiketlenmiştir. DenseNet-264 modeli, %89.8 doğruluk, 0.90 precision, 0.90 recall ve 0.90 F1 skoru ile en yüksek performansı göstermiştir. DenseNet-201 modeli, %89.2 doğruluk oranıyla iyi bir performans sergilemiş, DenseNet-169 modeli %87.1 doğruluk ve dengeli bir genelleme kapasitesi sunmuştur. DenseNet-121 modeli ise %85.3 doğruluk oranıyla daha hızlı ve düşük hesaplama maliyetine sahip bir seçenek olmuştur. ROC analizleri, tüm modellerin güçlü bir ayrım yeteneğine sahip olduğunu göstermiş, ancak en derin model olan DenseNet-264'te sınırlı genelleme kayıpları gözlemlenmiştir. Sonuç olarak, DenseNet mimarileri yaş tahmini için etkili bir çözüm sunmuştur. Model seçimi, uygulamanın gereksinimlerine ve kaynaklarına bağlı olarak yapılabilir. DenseNet-264 en yüksek doğruluğu sağlarken, DenseNet-121 daha hızlı sonuçlar elde etmek için uygun bir alternatif olarak değerlendirilebilir.