Age and Gender Prediction using Deep cnns and Transfer Learning




Download 299,02 Kb.
Pdf ko'rish
bet6/13
Sana22.12.2023
Hajmi299,02 Kb.
#127116
1   2   3   4   5   6   7   8   9   ...   13
Training & Testing. For age classification, our model classifies ages into 5 groups (0-
24, 25-49, 50-74, 75-99, and 100-124). For this, we had to perform integer division (by 
25) on the age values and later one hot encodes them before feeding them into the 
model. Similarly, gender also had to be one hot encoded for gender classification into 
male and female. The loss function chosen for age estimation was mean-squared error 
(MSE) as it is a regression task, whereas for age and gender classification it was cate-
gorical-cross entropy. For training, each model was trained using a custom data gener-
ator that allows training in mini-batches. Learning rate decay was used during training 
as it allowed the learning rate to decrease after a fixed number of epochs. This is essen-
tial as the learning rate becomes very precarious during the latter stages of training
when approaching convergence. Various experiments with different optimizers were 
conducted, the results of which have been summarized in section 5. 
Each model was trained between 30 to 50 epochs on average. Initial learning rate 
was set of the order 1e-3. Batch size of 32 was used. The learning rate was changed to 
0.6 times the current learning rate after about 9 epochs (on average) to ensure that by 
the end of training, the learning rate is small enough for the model to converge to the 
local minimum. Fig. 4 showcases the training plots of our models. In all graphs, the 
blue line denotes the training and the red line denotes the validation result. It is very 
evident that the training for gender classification was the noisiest whereas the training 
for age estimation was the smoothest. 



(a) (b) (c)
Fig. 2. Training plots depicting loss by the epoch of a) Age Estimation b) Age Classification
c) Gender Classification 
Table 4 shows the lowest loss value to which our model could converge while training. 
Table 4. Minimum loss value 
Age 
Estimation 
Age
Classification 
Gender 
Classification 
Train 
Validation 
Train 
Validation 
Train 
Validation 
56.8346 
56.7397 
0.3886 
0.4009 
0.1037 
0.1864 
The next subsection explores our work using transfer learning. 

Download 299,02 Kb.
1   2   3   4   5   6   7   8   9   ...   13




Download 299,02 Kb.
Pdf ko'rish

Bosh sahifa
Aloqalar

    Bosh sahifa



Age and Gender Prediction using Deep cnns and Transfer Learning

Download 299,02 Kb.
Pdf ko'rish