Online facial race and gender recognition based on convolutional neural networt

Yüz tanıma, adalet, etik, sosyal adalet, yasal bağlılık, teknolojik ilerleme ve kamu güveni üzerindeki geniş etkileri nedeniyle büyük önem taşıyor. Bu alandaki araştırma çabalarını ilerleterek ve daha kesin ve tarafsız sistemler oluşturarak, daha adil ve daha kapsayıcı bir toplumun geliştirilmesine katkıda bulunabiliriz. Derin öğrenme ve bilgisayarla görme teknikleri, çeşitli alanlardaki araştırmacılar ve geliştiriciler tarafından, özellikle önyargı ve temsil sorunlarının ele alınmasında, dikkate değer ve hızlı bir ilerleme göstererek yaygın bir şekilde benimsenmiştir. Bireyleri cinsiyete ve ırka göre ayırt etmek için geliştiriciler genellikle renkleri ve yüz özelliklerini analiz etmeye odaklanır. Bu tez, yüz ırkını ve cinsiyeti tanımlayan iki evrişimli sinir ağı modelini sunmaktadır. Model, dört ırk kategorisini (Afrikalı, Asyalı, Hintli ve Kafkasyalı) ve her iki cinsiyeti kapsayan veri kümeleri üzerinde eğitim ve değerlendirmeden geçti. Bu veri kümelerini "güzel yüz", "SCUT-FBP5500_v2", aynı zamanda AFD veri kümesi olarak da bilinen "cnsifd_faces_bmp", "Indian_actors_faces" ve "img_align_celeba" gibi çeşitli kaynaklardan derledik. Dört ırksal gruba ait birleştirilmiş veri kümeleri, 1.200'ü erkek ve 1.200'ü kadın olmak üzere eşit olarak bölünmüş 2.400 kamuya açık görüntüden oluşuyor. Her ırk kategorisi, her cinsiyetten 300'er adet olmak üzere rastgele seçilmiş 600 örnek içerir. Bu tez, ırk ve cinsiyetlerin sınıflandırılmasına yönelik iki model sunmaktadır. Bunlardan biri çok sınıflı sınıflandırma, ikincisi ise ırk ve cinsiyetin sınıflandırılmasına yönelik İkili sınıflandırmadır. Irk ve cinsiyet analizi. Deneysel sonuçlar, ikili sınıflandırma yönteminin doğruluk açısından çok sınıflı sınıflandırma performansından daha iyi performans gösterdiğini ortaya koymaktadır. İkili Sınıflandırma modelinde daha iyi performans elde edilmesi nedeniyle. Bu çalışma, dört ırkı sınıflandırmak için İkili Sınıflandırma modelini seçecek ve İkili Sınıflandırma RGCNN modelinin performansını diğer üç önceden Eğitilmiş Modelle karşılaştıracaktır. Bu çalışma, Irk Cinsiyet Evrişim Sinir Ağının (RGCNN) ikili sınıflandırma performansını CNN önceden eğitilmiş modellerle karşılaştırmaktadır. Deneysel sonuçların analizi şunu ortaya koymaktadır. Irk Cinsiyet Evrişim Sinir Ağı (RGCNN) sonuçları, hem ırk hem de cinsiyet sınıflandırmasında doğruluk açısından diğer modellerden daha iyi performans gösterdiğini ortaya koyuyor. Irksal sınıflandırmada ResNet50 ve InceptionV3 ikinci sırada yer alırken, VGG19 onu takip ediyor. RGCNN modeli özellikle hafif tasarımı ve azaltılmış parametre sayısıyla öne çıkıyor. VGG19 modeli ise ikinci sırada yer alıyor. Parametre sayısı açısından InceptionV3 üçüncü sırada yer alırken, onu en yüksek parametre sayısına sahip ResNet50 takip ediyor. Sistemin 40 kişilik bir örneklemde ırk ve cinsiyet sınıflandırmalarını kapsayan tahmin yetenekleri %98 gibi etkileyici bir doğruluk oranına ulaşıyor