-
شماره ركورد
30138
-
پديد آورنده
ارزو نوده فراهاني
-
عنوان
تخمين سن صورت با استفاده از شبكه هاي عصبي كانولوشنال وتقويت داده ها و كاربرد آن در سيستم توصيه گر
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
مهندسي صنايع- سيستمهاي كلان
-
سال تحصيل
1399
-
تاريخ دفاع
1402/7/5
-
استاد راهنما
سعيد ميرزامحمدي
-
استاد مشاور
وحيد خطيبي
-
دانشكده
مهندسي صنايع
-
چكيده
تخمين سن افراد يكي از مسائل مهم در حوزه هاي مختلف از جمله پزشكي، بازاريابي و سيستم هاي توصيه گر مي باشد. در اين پژوهش، با استفاده از شبكه هاي عصبي كانولوشنال و تقويت داده ها، سه روش تخمين سن صورت ارائه شده است.در اين روش، ابتدا تصاوير صورت افراد با استفاده از شبكه هاي عصبي كانولوشنال پردازش مي شوند تا ويژگي هاي مربوط به صورت از تصاوير استخراج شوند. سپس با استفاده از تقويت داده ها، تعداد تصاوير آموزشي افزايش داده مي شود تا به دقت بيشتري در تخمين سن برسيم.براي ارزيابي دقت روش پيشنهادي، از معيارهاي مختلفي از جمله دقت، صحت، و ماتريس درهمريختگي استفاده شده است. در اين پژوهش، تلاش شده است تا با استفاده از شبكه هاي عصبي كانولوشنال، تخمين سن، جنسيت و نژاد افراد به دقت بالا انجام شود. براي اين منظور، از سه شبكه عصبي مختلف كه شامل شبكه كانولوشني كه خودمان آن را طراحي كرديم، DenseNet121 و ResNet150 كه مبتني بر روش هاي يادگيري انتقال هستند، استفاده كرديم. به علاوه با استفاده از شبكه كانوولوشني ديگري كه آن را نيز خودمان طرح ريزي كرده ايم ويژگي هاي مربوط به احساسات نيز استخراج مي كنيم.در ادامه، با استفاده از اين ويژگي هاي استخراج شده، يك سيستم توصيه گر مبتني بر سيستم خبره پياده سازي شده است. اين سيستم قادر به ارائه تبليغات بازاريابي مناسبي براي هر فرد براساس سن، جنسيت، نژاد و احساسات اوست. اين سيستم توصيه گر مي تواند باعث بهبود تجربه كاربري و ارتقاي كيفيت سرويس هاي ارائه شده به كاربران شود.در نتيجه، اين پژوهش يك روش جديد و كارآمد براي تخمين سن، جنسيت، نژاد و احساسات افراد ارائه داده است كه مي تواند براي انجام وظايف مختلف از جمله توصيه گرها و سيستم هاي بازاريابي، بسيار مفيد باشد.
-
تاريخ ورود اطلاعات
1402/09/04
-
عنوان به انگليسي
Facial Age Estimation Using Convolutional Neural Networks and Data Augmentation and Its Application in Recommendation Systems
-
تاريخ بهره برداري
1/1/1900 12:00:00 AM
-
دانشجوي وارد كننده اطلاعات
ارزو نوده فراهاني
-
چكيده به لاتين
Estimating people's age is an important issue in various fields such as medicine, marketing, and recommendation systems. In this study, three age estimation methods are presented using convolutional neural networks and data augmentation. In this method, the facial images of individuals are processed using convolutional neural networks to extract facial features from the images. Then, by using data augmentation, the number of training images is increased to achieve higher accuracy in age estimation. Various metrics such as accuracy, precision, and confusion matrix are used to evaluate the accuracy of the proposed method. In this study, it was attempted to accurately estimate the age, gender, and race of individuals using convolutional neural networks. For this purpose, three different neural networks including a custom-designed convolutional network, DenseNet 121, and ResNet 150 were used, which are based on transfer learning methods. In addition, by using another custom-designed convolutional network, emotional features are extracted. Subsequently, a recommendation system based on an expert system is implemented using these extracted features. This system is capable of providing appropriate marketing advertisements for each person based on their age, gender, race, and emotions. This recommendation system can improve the user experience and enhance the quality of services provided to users. Therefore, this study provides a new and efficient method for estimating the age, gender, race, and emotions of individuals, which can be very useful for various tasks such as recommendation systems and marketing.
-
كليدواژه هاي فارسي
تقويت داده ها , تخمين سن , سيستم خبره , شبكه عصبي كانوولوشني , يادگيري انتقالي , سيستم توصيه گر
-
كليدواژه هاي لاتين
Data Augmentation , Age estimation , expert system , convolutional neural network , Transfer Learning , recommendation system
-
Author
Arezoo Nodeh farahani
-
SuperVisor
Dr. Mirza Mohammadi
-
لينک به اين مدرک :