Un groupe de scientifiques de l’University College Dublin, d’Intel Ireland et de l’Université du Texas à San Antonio a amélioré l’efficacité des estimations biométriques de l’âge mineur en utilisant une approche innovante basée sur un modèle basé sur la régression.
Surnommé Vec2UAge, le modèle a été formé à partir des ensembles de données biométriques VisAGe et Selfie-FV en utilisant des plongements FaceNet dessinés et utilisés comme vecteurs de fonction.
Un troisième ensemble de données impartial a ensuite été créé pour permettre un filtrage bien équilibré et validation.
En règle générale, les conceptions d’estimation de l’âge reposent sur des images de bonne qualité étiquetées selon l’âge, mais les annotations d’âge précises dans les ensembles de données biométriques faciales sont souvent inadéquates, selon la toute nouvelle étude de recherche.
« Certains âges ont quelques échantillons – en particulier la tranche d’âge mineure », vérifie le rapport. « Les ensembles de données pour cette variété d’âge sont difficiles à trouver en raison de limitations légales et de ramifications éthiques. »
Yoti est en train de construire sa propre base de données pour la biométrie d’évaluation de l’âge en grande partie pour résoudre ce même problème.
Pour contourner ce problème, les scientifiques ont sélectionné les ensembles de données IMDB-WIKI et Adience, contenant respectivement 500 000 et 26 000 images classées par âge.
Tout au long de l’expérience, le groupe a également utilisé diverses stratégies d’augmentation pour plus élargir l’ensemble de données d’entraînement, puis mesurer le taux d’apprentissage (LR) des réseaux de neurones profonds.
Pour le contexte, LR se réfère ici à la mesure dans laquelle le système devrait changer le modèle en réponse à l’erreur approximative à chaque fois que des ensembles d’informations sont mis à jour.
Une valeur trop petite peut rendre la procédure d’entraînement trop lente et finalement s’arrêter, tandis qu’une valeur trop grande peut conduire le système à une procédure d’entraînement instable ou la déclencher apprenez trop rapidement un ensemble de poids sous-optimal.
Pour trouver la valeur préliminaire optimale de LR, les scientifiques ont ensuite utilisé une méthode de taux de connaissance cyclique. Ils ont ensuite examiné les performances des algorithmes et ont conclu que le nouveau modèle obtenait de bien meilleures performances que la plupart des algorithmes actuels. La conception a atteint un taux d’erreur absolu moyen de 2,36 ans.
« Les modèles actuels essaient généralement de gérer plusieurs facteurs difficiles qui affectent l’efficacité de l’évaluation de l’âge tels que l’occlusion faciale, les visages non frontaux, la luminosité, le contraste, qualité, etc. », explique le rapport. « Dans notre approche, un obstacle plus facile est traité et une bien meilleure efficacité est obtenue. »
À l’avenir, l’équipe a déclaré qu’elle continuerait à vérifier les conceptions pour améliorer l’efficacité de l’évaluation biométrique de l’âge, en particulier en faisant utilisation d’un framework d’optimisation d’hyperparamètres pour l’intelligence artificielle comme Optuna.
Toute l’actualité en temps réel, est sur L’Entrepreneur
