Résumé:
La classification de l'âge et du genre à partir d'images faciales joue un rôle important
dans divers domaines tels que la sécurité, l'interaction homme-machine et la personnalisation
des services. Cette étude présente une approche basée sur l'apprentissage profond pour la
classification de l'âge (en 8 catégories) et la prédiction du genre. En utilisant l'apprentissage par
transfert, plusieurs modèles pré-entraînés (VGG16, ResNet101, DenseNet121) sont évalués sur
l’ensemble de données UTKFace (23 708 images), selon deux protocoles. Afin d'améliorer les
performances, un modèle hybride combinant VGG16 et DenseNet121 est proposé, tirant parti
de la complémentarité des deux architectures. Ce modèle de fusion atteint une précision de
75,14 % pour la classification d’âge et 92,90 % pour la reconnaissance du genre, surpassant les
modèles individuels.
