Machine Learning (ML) is a research area in artificial intelligence (AI) and computer science. ML focuses on the use of data and algorithms to identify patterns in data without direct instruction. This is done with the help of ML algorithms that learn to make predictions by finding rules and drawing conclusions based on training data. ML can be used to perform tasks such as estimating human's age based on facial images, which can be used to control or restrict access to a website based on the user's age.Age estimation from facial images can be described as a regression problem or a classification problem. Estimating the exact age is a regression problem, while estimating the age group is a classification problem. A regression problem can be converted to a classification problem to determine the age group from the estimated age. This is done by dividing the total age range into different age groups, after which it is decided which group the age estimate belongs to. This study aims to answer how ML models can be used to estimate different age groups from facial images. This is done by exploring and evaluating two classification models that directly estimate the age group, in comparison with determining the age group from the exact age estimate by converting the regression problem into a classification problem. In this work, facial images are used to train and test ML algorithms by combining facial images from various open research databases. A delimitation was made in this study to only explore the use of Convolutional Neural Networks (CNN) to create different ML models that can estimate the age or the age group. CNN are used to perform tasks that require image interpretation, which in this case means that facial images are interpreted to make predictions. The results show that one of two classification models in this study achieves an accuracy of 75.9%. The second classification model, which estimates other age groups, achieves an accuracy of 62.88%. However, the outcome of two converted classification problems from a regression model shows an accuracy of 68.85% and 70.68%, respectively. The estimation model that achieves the highest accuracy when estimating the age group is a classification model with 75.90% accuracy. The work indicates that the choice of age group interval and facial images within each age group determine how the estimation models perform in relation to each other. / Machine Learning (ML) är ett forskningsområde inom artificiell intelligens (AI) och datavetenskap. ML fokuserar på användningen av data och algoritmer för att identifiera mönster i data utan direkt instruktion. Detta sker med hjälp av ML-algoritmer som lär sig att göra förutsägelser genom att hitta regler och dra slutsatser utifrån träningsdata. ML kan användas för att utföra uppgifter som att uppskatta människors ålder utifrån ansiktsbilder, vilket kan användas för att kontrollera eller begränsa åtkomsten till en webbplats baserat på användarens ålder. Åldersuppskattning från ansiktsbilder kan beskrivas som ett regressionsproblem eller ett klassificeringsproblem. Att uppskatta den exakta åldern är ett regressionsproblem, medan att uppskatta åldersgruppen är ett klassificeringsproblem. Ett regressionsproblem kan konverteras till ett klassificeringsproblem för att bestämma åldersgruppen från den uppskattade åldern. Detta utförs genom att dela upp det totala åldersintervallet i olika åldersgrupper, varefter det avgörs vilken grupp åldersuppskattningen tillhör. Denna studie ämnar svara på hur ML-modeller kan användas för att uppskatta olika åldersgrupper från ansiktsbilder. Detta sker genom att utforska och utvärdera två klassificeringsmodeller som direkt uppskattar åldersgruppen, i jämförelse med att bestämma åldersgruppen från den exakta åldersuppskattningen genom att konvertera regressionsproblemet till ett klassificeringsproblem. I detta arbete används ansiktsbilder för att träna och testa ML-algoritmer genom att kombinera ansiktsbilder från olika öppna forskningsdatabaser. En avgränsning gjordes i denna studie för att endast undersöka användningen av Convolutional Neural Networks (CNN) för att skapa olika ML-modeller som kan uppskatta åldern eller åldersgruppen. CNN används för att utföra uppgifter som kräver bildtolkning, vilket i det här fallet innebär att ansiktsbilder tolkas för att göra förutsägelser. Resultaten visar att en av två klassificeringsmodeller i denna studie uppnår en noggrannhet på 75,9%. Den andra klassificeringsmodellen, som uppskattar andra åldersgrupper, uppnår en noggrannhet på 62,88%. Däremot visar utfallet av två konverterade klassificeringsproblem från en regressionsmodell en noggrannhet på 68,85% respektive 70,68%. Den uppskattningsmodell som uppnår högsta noggrannhet vid uppskattning av åldersgruppen är en klassificeringsmodell med 75,90% noggrannhet. Arbetet tyder på att valet av åldergruppintervallet samt ansiktsbilder inom varje åldersgrupp avgör hur uppskattningsmodellerna presterar i förhållande till varandra.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:hig-38773 |
| Date | January 2022 |
| Creators | Rashed, Wissam, Alkilani, Rawand |
| Publisher | Högskolan i Gävle, Avdelningen för datavetenskap och samhällsbyggnad |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0032 seconds