Logowanie
Zarejestruj się
Zresetuj hasło
Publikuj i Dystrybuuj
Rozwiązania Wydawnicze
Rozwiązania Dystrybucyjne
Dziedziny
Architektura i projektowanie
Bibliotekoznawstwo i bibliologia
Biznes i ekonomia
Chemia
Chemia przemysłowa
Filozofia
Fizyka
Historia
Informatyka
Inżynieria
Inżynieria materiałowa
Językoznawstwo i semiotyka
Kulturoznawstwo
Literatura
Matematyka
Medycyna
Muzyka
Nauki farmaceutyczne
Nauki klasyczne i starożytne studia bliskowschodnie
Nauki o Ziemi
Nauki o organizmach żywych
Nauki społeczne
Prawo
Sport i rekreacja
Studia judaistyczne
Sztuka
Teologia i religia
Zagadnienia ogólne
Publikacje
Czasopisma
Książki
Materiały konferencyjne
Wydawcy
Blog
Kontakt
Wyszukiwanie
EUR
USD
GBP
Polski
English
Deutsch
Polski
Español
Français
Italiano
Koszyk
Home
Czasopisma
International Journal of Mathematics and Computer in Engineering
Tom 2 (2024): Zeszyt 1 (June 2024)
Otwarty dostęp
Gender determination from periocular images using deep learning based EfficientNet architecture
Viji B Nambiar
Viji B Nambiar
,
Bojan Ramamurthy
Bojan Ramamurthy
oraz
Pundikala Veeresha
Pundikala Veeresha
| 31 paź 2023
International Journal of Mathematics and Computer in Engineering
Tom 2 (2024): Zeszyt 1 (June 2024)
O artykule
Poprzedni artykuł
Następny artykuł
Abstrakt
Artykuł
Ilustracje i tabele
Referencje
Autorzy
Artykuły w tym zeszycie
Podgląd
PDF
Zacytuj
Udostępnij
Article Category:
Original Study
Data publikacji:
31 paź 2023
Zakres stron:
59 - 70
Otrzymano:
22 lip 2023
Przyjęty:
08 wrz 2023
DOI:
https://doi.org/10.2478/ijmce-2024-0005
Słowa kluczowe
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