Đang chuẩn bị liên kết để tải về tài liệu:
Một mô hình deep learning nhẹ cho bài toán nhận dạng tuổi và giới tính sử dụng mạng CNN

Bài viết đề xuất một mô hình nhẹ mang tên lightweight CNN thực hiện song song 2 nhiệm vụ là phân lớp tuổi và giới tính. Về độ chính xác trong nhận diện tuổi thì lightweight CNN tốt hơn 5.1% so với mô hình tốt nhất đã được công bố gần đây. Về thời gian chạy và số lượng tham số được sử dụng thì lightweight CNN sử dụng ít hơn nhiều so với các mô hình khác trên bộ dữ liệu Adience, đáp ứng được yêu cầu về nhận dạng trong thời gian thực. | ISSN: 1859-2171 TNU Journal of Science and Technology 200(07): 119 - 124 MỘT MÔ HÌNH DEEP LEARNING NHẸ CHO BÀI TOÁN NHẬN DẠNG TUỔI VÀ GIỚI TÍNH SỬ DỤNG MẠNG CNN Phùng Thị Thu Trang1*, Ma Thị Hồng Thu2 1 Khoa Ngoại ngữ - ĐH Thái Nguyên, 2Đại học Tân Trào TÓM TẮT Bài toán nhận dạng tuổi và giới tính đang thu hút được nhiều sự chú ý từ các nhà nghiên cứu đặc biệt là khi mạng xã hội và mạng truyền thông ngày càng phổ biến. Các phương pháp được công bố gần đây cho kết quả khá tốt về độ chính xác nhưng còn tỏ ra kém hiệu quả trong vấn đề nhận diện thời gian thực bởi vì các mô hình này được thiết kế quá phức tạp. Trong bài báo này, chúng tôi đề xuất một mô hình nhẹ mang tên lightweight CNN thực hiện song song 2 nhiệm vụ là phân lớp tuổi và giới tính. Về độ chính xác trong nhận diện tuổi thì lightweight CNN tốt hơn 5.1% so với mô hình tốt nhất đã được công bố gần đây. Về thời gian chạy và số lượng tham số được sử dụng thì lightweight CNN sử dụng ít hơn nhiều so với các mô hình khác trên bộ dữ liệu Adience, đáp ứng được yêu cầu về nhận dạng trong thời gian thực. Từ khóa: Học sâu, Mạng CNN, Phân lớp tuổi, phân lớp giới tính, Mạng nơron Ngày nhận bài: 09/4/2019;Ngày hoàn thiện: 26/4/2019;Ngày duyệt đăng: 07/5/2019 A LIGHTWEIGHT DEEP LEARNING MODEL FOR AGE AND GENDER IDENTITY PROBLEM USING THE CNN NETWORK Phung Thi Thu Trang1*, Ma Thi Hong Thu2 1 School of Foreign Language – TNU, 2Tan Trao University ABSTRACT Age and gender identification problems are gaining a lot of attention from researchers since social and multimedia networks are becoming more popular nowadays. Recently published methods have yielded quite good results in terms of accuracy but also proved ineffective in real-time identification because these models were designed too complicated. In this paper, we propose a lightweight model called lightweight CNN that performs parallel tasks of age and gender classification. In terms of accuracy in identifying age, lightweight CNN is 5.1% better than the best .