Login
Registrieren
Passwort zurücksetzen
Veröffentlichen & Verteilen
Verlagslösungen
Vertriebslösungen
Themen
Allgemein
Altertumswissenschaften
Architektur und Design
Bibliotheks- und Informationswissenschaft, Buchwissenschaft
Biologie
Chemie
Geowissenschaften
Geschichte
Industrielle Chemie
Informatik
Jüdische Studien
Kulturwissenschaften
Kunst
Linguistik und Semiotik
Literaturwissenschaft
Materialwissenschaft
Mathematik
Medizin
Musik
Pharmazie
Philosophie
Physik
Rechtswissenschaften
Sozialwissenschaften
Sport und Freizeit
Technik
Theologie und Religion
Wirtschaftswissenschaften
Veröffentlichungen
Zeitschriften
Bücher
Konferenzberichte
Verlage
Blog
Kontakt
Suche
EUR
USD
GBP
Deutsch
English
Deutsch
Polski
Español
Français
Italiano
Warenkorb
Home
Zeitschriften
International Journal of Mathematics and Computer in Engineering
Band 2 (2024): Heft 1 (June 2024)
Uneingeschränkter Zugang
Gender determination from periocular images using deep learning based EfficientNet architecture
Viji B Nambiar
Viji B Nambiar
,
Bojan Ramamurthy
Bojan Ramamurthy
und
Pundikala Veeresha
Pundikala Veeresha
| 31. Okt. 2023
International Journal of Mathematics and Computer in Engineering
Band 2 (2024): Heft 1 (June 2024)
Über diesen Artikel
Vorheriger Artikel
Nächster Artikel
Zusammenfassung
Artikel
Figuren und Tabellen
Referenzen
Autoren
Artikel in dieser Ausgabe
Vorschau
PDF
Zitieren
Teilen
Article Category:
Original Study
Online veröffentlicht:
31. Okt. 2023
Seitenbereich:
59 - 70
Eingereicht:
22. Juli 2023
Akzeptiert:
08. Sept. 2023
DOI:
https://doi.org/10.2478/ijmce-2024-0005
Schlüsselwörter
CNN
,
EfficientNetB1
,
periocular
,
fine-tuning
© 2024 Viji B Nambiar et al., published by Sciendo
This work is licensed under the Creative Commons Attribution 4.0 International License.
Fig. 1
Periocular region.
Fig. 2
CNN architecture.
Fig. 3
Stem layer for EfficientNet-B1 [19].
Fig. 4
Architecture for EfficientNet-B1 [19].
Fig. 5
Modules for EfficientNet-B1 [19].
Fig. 6
A subset of the dataset.
Fig. 7
Confusion matrix for CNN model built from scratch.
Fig. 8
Model accuracy for CNN built from scratch.
Fig. 9
Model loss for CNN built from scratch.
Fig. 10
Confusion matrix for CNN model built from scratch.
Fig. 11
Model accuracy for EfficientNetB1.
Fig. 12
Model loss for EfficientNetB1.
Classification report for fine-tuned EfficientNetB1.
Label
Precision
Recall
F1-score
1 (Male)
0.97
0.99
0.98
0 (Female)
0.99
0.97
0.98
Classification report for CNN model built from scratch.
Label
Precision
Recall
F1-score
1 (Male)
0.94
0.96
0.95
0 (Female)
0.95
0.93
0.94