Στην παρούσα εργασία διερευνάται η χρήση βαθιών νευρωνικών δικτύων για την αναγνώριση της ηλικίας και του φύλου με βάση τα χαρακτηριστικά του προσώπου από εικόνες. Τα πλεονεκτήματα από την αξιοποίηση αυτής της δυνατότητας στην κοινωνία είναι πολύ σημαντικά, από την πρόληψη της απάτης ή κλοπής λόγω ύπαρξης διαφορετικών ταυτοτήτων, μέχρι την παροχή υπηρεσιών που εξαρτώνται από την ηλικία ή/και το φύλο, με χρήση μόνο μίας φωτογραφίας χωρίς πρόσβαση σε άλλα προσωπικά δεδομένα.
Για τους σκοπούς της εργασίας έγινε ανασκόπηση των υλοποιήσεων Νευρωνικών Δικτύων για την αναγνώριση της ηλικίας και του φύλου. Στη συνέχεια υλοποιήθηκαν τρία μοντέλα Συνελικτικών Νευρωνικών Δικτύων με παλινδρόμηση για την αναγνώριση της ηλικίας και δύο μοντέλα για την αναγνώριση του φύλου με ταξινόμηση.
Συγκεκριμένα, για την αναγνώριση της ηλικίας υλοποιήθηκε ένα μοντέλο που περιλαμβάνει έξι συνελικτικές στρώσεις και εκπαιδεύτηκε από την αρχή, ένα δεύτερο μοντέλο στο οποίο προστέθηκε και μία στρώση Μακροπρόθεσμης – Βραχυπρόθεσμης Μνήμης (Long Short Term Memory – LSTM layer) και τέλος ένα τρίτο με τη μέθοδο της Μεταφοράς Μάθησης χρησιμοποιώντας το προ εκπαιδευμένο δίκτυο MobileNet. Τις καλύτερες επιδόσεις πέτυχε το τρίτο με συνάρτηση σφάλματος ίση με 0.024 και μετρική 0.0165. Παρόμοια, για την αναγνώριση του φύλου αναπτύχθηκαν δύο μοντέλα, ένα μοντέλο με εκπαίδευση από τη αρχή και ένα με Μεταφορά Μάθησης. Το δεύτερο μοντέλο είχε τις καλύτερες επιδόσεις και συγκεκριμένα ακρίβεια 99.52% και τιμή συνάρτησης σφάλματος 0.0320. Τα αποτελέσματα καταδεικνύουν την υπεροχή του συνδυασμού τεχνικών Βαθιάς Μάθησης με Μεταφορά Μάθησης για προβλέψεις ηλικίας και φύλου από εικόνες.

This study investigates the automatic age and gender estimation from Deep Neural Networks (DNNs) based on facial features extracted from images. The societal benefits of such technologies are significant, ranging from preventing identity fraud or theft due to conflicting identities, to enabling the delivery of age and gender dependent services using only a facial image, without requiring access to other personal data.
To support this research, a comprehensive review of existing Neural Network architectures for age and gender recognition was conducted. Three Convolutional Neural Network (CNN) models were developed for age estimation using regression, and two models for gender classification. For age estimation, the first model consisted of six convolutional layers, the second extended the architecture by incorporating a Long Short Term Memory (LSTM) layer, and the third employed Transfer Learning using the MobileNet pretrained network. The MobileNet-based model achieved the best performance, with a loss value of 0.024 and a regression metric of 0.0165. For gender classification, οne model was trained from scratch and the other utilized Transfer Learning. The transfer learning model outperformed achieving an accuracy of 99.52% and a loss of 0.0320. These results demonstrate the effectiveness of combining deep learning techniques with transfer learning for robust and accurate age and gender recognition from facial images.