Computer Science Department

Permanent URI for this community

http://dspace.cuillizi.dz/handle/123456789/402
قسم الإعلام الآلي

Browse

Browsing Computer Science Department by Author "• Madani Aya"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Real-Time Age and Gender DetectionfromFacialImagesfor Targeted Marketing
    (المركز الجامعي إليزي - معهد العلوم، قسم الإعلام الآلي, 2025-06-29) • Madani Aya; • Mohamadi Yacine; Advisors: • Dr.Riadh MATMAT
    In the context of smart retail and real-time personalized advertising,facial attribute analysishas emerged as a powerful tool for demographic profiling.This thesis explores the development of a deep learning-based system capable of predicting both age and gender using only facial images. Leveraging Convolutional Neural Networks (CNNs), particularly the MobileNetV3 and VGG16 ar- chitectures, we conduct a comparative study in terms of accuracy, processing time, and suitability forreal-timedeployment.TheUTKFacedatasetisusedtotrainandvalidateourmodels,with an emphasis on ensuring robustness to real-world conditions such as lighting variations and oc- clusion.A multi-task learning approach is adopted to jointly optimize age regression and gender classification,improvingoverallperformance.ExperimentalresultsshowthatMobileNetV3offersa favorabletrade-offbetweenperformanceandcomputationalcost,makingitsuitableforedge-device deployment.Thisresearchdemonstratesthefeasibilityofaccurateandefficientage-genderdetection systems for real-world intelligent applications. في سياق تجارة التجزئة الذكية والإعلانات الشخصية الفورية، برز تحليل سمات الوجه كأداة فعّالة لتحديد السمات الديموغرافية. تستكشف هذه الأطروحة تطوير نظام قائم على التعلم العميق قادر على التنبؤ بالعمر والجنس باستخدام صور الوجه فقط. بالاستفادة من الشبكات العصبية التلافيفية (CNNs)، وخاصةً بنيتي MobileNetV3 وVGG16، نُجري دراسة مقارنة من حيث الدقة ووقت المعالجة وملاءمة النشر الفوري. تُستخدم مجموعة بياناتUTKFaceلتدريب نماذجنا والتحقق من صحتها، مع التركيز على ضمان المتانة في ظل ظروف العالم الحقيقي، مثل اختلافات الإضاءة والانسداد. كما يُعتمد نهج تعلم متعدد المهام لتحسين انحدار العمر وتصنيف الجنس معًا، مما يُحسّن الأداء العام. تُظهر النتائج التجريبية أن MobileNetV3 يُوفر توازنًا إيجابيًا بين الأداء والتكلفة الحسابية، مما يجعله مناسبًا للنشر على الأجهزة الطرفية. يُوضح هذا البحث جدوى أنظمة دقيقة وفعالة للكشف عن العمر والجنس في التطبيقات الذكية الواقعية.