Classification de catégorie d’âge par Deep Learning

dc.contributor.author	ADJAL, Chams
dc.date.accessioned	2025-11-17T09:22:37Z
dc.date.available	2025-11-17T09:22:37Z
dc.date.issued	2025-06-09
dc.identifier.uri	http//localhost:8080/jspui/handle/123456789/13517
dc.description.abstract	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.	en_US
dc.language.iso	fr	en_US
dc.publisher	Université de Larbi Tébessi –Tébessa	en_US
dc.subject	Classification de l’âge, Détection du genre, Apprentissage profond, Transfer Learning, Fusion de caractéristiques, CNN, UTKFace.	en_US
dc.title	Classification de catégorie d’âge par Deep Learning	en_US
dc.type	Thesis	en_US