مجتبی اکبری - گروه مهندسی برق، دانشگاه اصفهان- اصفهان- ایران
فرهاد نوابی فر - استادیار گروه مهندسی برق و کامپیوتر، دانشگاه آزاد اسلامی مبارکه-مبارکه- اصفهان- ایران
آذین گلاره - گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی مبارکه-مبارکه- اصفهان- ایران

هدف در تحقیق، برآورد اتوماتیک و تعیین سن افراد بدون دسترسی به آن ها است. در این پژوهش سعی شده است که سن به صورت عدد با کمترین تفاوت با سن واقعی انسان تخمین زده شود.اکثر تحقیقات و روش های انجام شده در این زمینه، سن را به صورت عددی تخمین میزدو دارای دقت کافی نبود. برای این پژوهش با بهره گیری از تکنیک یادگیری انتقالی، از مدل آموزش دیده به نام InceptionV۳ استفاده می شود. این مدل ، دارای ۴۸ لایه عمیق است که از عمل Dropout برای حذف تصادفی بعضی نورون ها به منظور کاهش overfitting استفاده شده است. همچنین با استفاده از تکنیک Batch Normalization، در ابتدای لایه ها، داده های ورودی برای هر لایه را رگولایز می شود. در این تحقیق از مجموعه داده های Imdb و Wiki استفاده شده است که جمعا ۵۲۳۰۵۱ تصویر از چهره افراد با سن صفرتا صدسال را شامل میشود. سپس با اعمال تکنیک Data Augmentation روی این تصاویر، مرتبا تصاویر جدید تولید می شود و عملایک مجموعه داده با بی نهایت تصویر حاصل می شود. سرانجام با آزمون وخطا مقدارهای بهینه برای هایپرپارامترهای شبکه عصبی شامل نرخ یادگیری ( learnin grate)، تعداد تکرارها (epoch)، تعداد ورودی در هر بار آموزش (size batch) را انتخاب کرده و مدل پیشنهادی آموزش داده می شود. به منظور ارزیابی و مقایسه مدل پیشنهادی از شاخص MAEاستفاده شده است. این شاخص میانگین تفاوت بین سن تخمین زده شده و سن واقعی است که از روی همه داده هایتست به دست می آید. روش پیشنهادی با دو روش PCA+Gabor و Multiple CNNکه در سه سال اخیر در مقالات معتبر چاپشده، مقایسه شده و MAE به ترتیب ۳.۳۴ و ۵.۵۳ و۳.۰۸ به دست می آید که نشان می دهد روش پیشنهادی نسبت به دو روش دیگر بهتر عمل کرده است

یادگیری عمیق، تخمین سن، InceptionV۳، یادگیری انتقالی،Dropout،MAE