Human Gender Identification Employing Convolution Neural Networks for Veiled Face Images

##plugins.themes.bootstrap3.article.sidebar##

PDF (English)
منشور كانون الأول 14, 2024
DOI https://doi.org/10.20428/jst.v30i1.2486

##plugins.themes.bootstrap3.article.main##

Waled Al-Arashi
University of Science and Technology, Aden, Yemen.
Makram Almaqtobi
Electronic department, Faculty of Engineering, University of Science and Technology, Yemen.
Abdulrahman Q. Al-fahidi
Electronic department, Faculty of Engineering, University of Science and Technology, Yemen.
Abdulghaffar M. Ali
Electronic department, Faculty of Engineering, University of Science and Technology, Yemen.
Abdulaziz Aborujilah
Information Systems department, college of Commerce and Business Administration, Dhofar university, Sultanan of Oman

الملخص

لقد شهد الاهتمام بالقياسات الحيوية والتعرف على الأنماط ارتفاعًا ملحوظًا على مدى العقود القليلة الماضية. يمكن لتصنيف الجنس من خلال تحليل الوجه أن يعزز بشكل كبير عملية تحديد هوية الإنسان، والتمييز بين الأفراد الذكور والإناث. ومع ذلك، فإن التعرف على السمات الحيوية الذي يركز على سمات محددة للوجة، مثل العيون، يمثل مجالًا مهمًا وواسع النطاق للبحث، وخاصة من وجهت النظر الأمنية والاجتماعية في اليمن وغيرها من الدول الإسلامية. تسعى هذه الدراسة إلى تطوير مجال تحديد الجنس من خلال تقديم نموذج جديد يستفيد من قدرات VGG19 و EfficientNetB7. تشير النتائج التجريبية التي تم الحصول عليها من خلال قاعدة بيانات الوجوه المحجبة إلى أن النموذج المقترح يتفوق على نظرائه، حيث حقق معدل دقة مرتفع بنسبة 99.1٪، مقارنة بـ 97.3٪ في VGG19 و 95.5٪ في EfficientNetB7.

التنزيلات

بيانات التنزيل غير متوفرة بعد.

##plugins.themes.bootstrap3.article.details##

##article.keywords##

التعرف على الجنس، صور الوجوه المحجبة، الشبكة العصبية التلافيفية، VGG19، EfficientNetB7

إصدار
مجلد 30 عدد 1 (2025)
القسم
Computer Engineering
كيفية الاقتباس
Al-Arashi, W., Almaqtobi , M., Al-fahidi, A. Q., Ali , A. M., & Aborujilah , A. (2024). Human Gender Identification Employing Convolution Neural Networks for Veiled Face Images. مجلة العلوم والتكنولوجيا, 30(1), 29–35. https://doi.org/10.20428/jst.v30i1.2486

الأعمال الأكثر قراءة لنفس المؤلف/المؤلفين