Connexion
S'inscrire
Réinitialiser le mot de passe
Publier & Distribuer
Solutions d'édition
Solutions de distribution
Thèmes
Architecture et design
Arts
Business et économie
Chimie
Chimie industrielle
Droit
Géosciences
Histoire
Informatique
Ingénierie
Intérêt général
Linguistique et sémiotique
Littérature
Mathématiques
Musique
Médecine
Pharmacie
Philosophie
Physique
Sciences bibliothécaires et de l'information, études du livre
Sciences des matériaux
Sciences du vivant
Sciences sociales
Sport et loisirs
Théologie et religion
Études classiques et du Proche-Orient ancient
Études culturelles
Études juives
Publications
Journaux
Livres
Comptes-rendus
Éditeurs
Blog
Contact
Chercher
EUR
USD
GBP
Français
English
Deutsch
Polski
Español
Français
Italiano
Panier
Home
Journaux
International Journal of Mathematics and Computer in Engineering
Édition 2 (2024): Edition 1 (June 2024)
Accès libre
Gender determination from periocular images using deep learning based EfficientNet architecture
Viji B Nambiar
Viji B Nambiar
,
Bojan Ramamurthy
Bojan Ramamurthy
et
Pundikala Veeresha
Pundikala Veeresha
| 31 oct. 2023
International Journal of Mathematics and Computer in Engineering
Édition 2 (2024): Edition 1 (June 2024)
À propos de cet article
Article précédent
Article suivant
Résumé
Article
Figures et tableaux
Références
Auteurs
Articles dans cette édition
Aperçu
PDF
Citez
Partagez
Article Category:
Original Study
Publié en ligne:
31 oct. 2023
Pages:
59 - 70
Reçu:
22 juil. 2023
Accepté:
08 sept. 2023
DOI:
https://doi.org/10.2478/ijmce-2024-0005
Mots clés
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