Age estimation from facial images based on Gabor feature fusion and the CIASO‐SA algorithm
Notice bibliographique
Résumé
Abstract Aiming at the problem of long time‐consuming and low accuracy of existing age estimation approaches, a new age estimation method using Gabor feature fusion, and an improved atomic search algorithm for feature selection is proposed. Firstly, texture features of five scales and eight directions in the face region are extracted by Gabor wavelet transform. The statistical histogram is introduced to encode and fuse the directional index with the largest feature value on Gabor scales. Secondly, a new hybrid feature selection algorithm chaotic improved atom search optimisation with simulated annealing (CIASO‐SA) is presented, which is based on an improved atomic search algorithm and the simulated annealing algorithm. Besides, the CIASO‐SA algorithm introduces a chaos mechanism during atomic initialisation, significantly improving the convergence speed and accuracy of the algorithm. Finally, a support vector machine (SVM) is used to get classification results of the age group. To verify the performance of the proposed algorithm, face images with three resolutions in the Adience dataset are tested. Using the Gabor real part fusion feature at 48 × 48 resolution, the average accuracy and 1‐off accuracy of age classification exhibit a maximum of 60.4% and 85.9%, respectively. Obtained results prove the superiority of the proposed algorithm over the state‐of‐the‐art methods, which is of great referential value for application to the mobile terminals.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».