An Approach of Detecting the Age of a Human by Extracting the Face Parts and Applying the Hierarchical Methods
Notice bibliographique
Résumé
One of the key challenges that the computer vision is facing is the age prediction. A well efficient CNN is selected for age prediction by performing various CNN operations by taking the categories as age 40 and above age 40. The selected CNN method obtained a training accuracy of 100% at more than 100 epochs. Hence, 100 epochs is considered for training. At this, the validation accuracy achieved is 84.9%. Three kinds of age phases with an age gap of 20,10 and 5 are used to predict the age. The normal method results in very less accuracy. Hence a hierarchical method is formulated. Under the hierarchical method, CNN is trained to estimate the age gaps in decreasing order. Hence not a single classifier, a group of classifiers are used for testing the image. From traditional method to hierarchical method, the 20 age gap accuracy increased from 27% to above 60%, ten age gap increased from 12% to above 35%, and five age gap increased from 5.5% to above 21%. To improve further, the features of the face parts are derived and combined which improves the efficiency compared to normal method, but not good accuracy as Hierarchical method. The combination of hierarchical method along with the face feature extraction method results in a considerable improvement in accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».