探索深度学习技术在眼部图像中准确性别分类的可行性

性别分类在安全、人机交互、监控和广告等诸多领域中日益至关重要。然而，这种分类的准确性可能受到化妆品和伪装等因素的影响。因此，本文致力于针对性别分类使用 periocular 区域（眼周区域）的 color 图像进行研究。periocular 区域指包括眼睑、眉毛以及它们之间的区域。该区域包含可用于提取关键特征以进行性别分类的有价值视觉线索。本文引入一种新型卷积神经网络（CNN）模型，利用 color 图像数据库评估 periocular 区域用于性别分类的有效性。为验证该模型的性能，我们在两个眼部数据集上进行测试，分别是 CVBL 和 (Female and Male)。所推荐的体系结构在此前未使用的 CVBL 数据集上实现了惊人的 99% 准确率，同时在 (Female and Male) 数据集上以 96% 的优异准确率取得了称赞的成绩，且仅使用了 7,235,089 个可学习参数。为确认我们提出的模型在 periocular 区域上进行性别分类的有效性，我们通过广泛的指标进行了评估，并与其他多种 SOTA 方法进行了比较。结果无可辩驳地表明了该模型的有效性，从而暗示其在安全和监控等领域具有实际应用的潜力。