Details

Объектом исследования является система автоматизированной оценки возраста, обеспечивающая ограничение выдачи медиаконтента на мобильных устройствах. Предметом исследования являются методы и инструменты интеграции нейросетевых моделей оценки возраста в мобильное Android-приложение. В данной работе проведён анализ существующих методов нейросетевой оценки возраста и подходов к возрастной верификации на медиаплатформах. Выполнен сравнительный анализ архитектур нейронных сетей для мобильных устройств, фреймворков инференса и методов оптимизации моделей. Подготовлены четыре топологии нейросетевых моделей оценки возраста на основе архитектуры MobileNetV2, различающиеся по глубине и уровню квантизации. Спроектировано и разработано мобильное Android-приложение с архитектурой MVVM, реализующее полный цикл обработки: детекция лица, оценка возраста и фильтрация медиаконтента. Проведено экспериментальное исследование на выборке из 7 112 изображений датасета UTKFace. Лучшая модель (Vanilla Quantized) продемонстрировала MAE 2,69 года при времени инференса 5,3 мс и размере 2,05 МБ, что сопоставимо с коммерческими решениями при выполнении обработки непосредственно на мобильном устройстве. В ходе выполнения работы все поставленные цели и задачи достигнуты. Экспериментально подтверждена работоспособность и эффективность on- device подхода к биометрической оценке возраста для задачи фильтрации медиаконтента.

The object of the study is an automated age estimation system that restricts media content distribution on mobile devices. The subject of the study is the methods and tools for integrating neural network-based age estimation models into a mobile Android application. In this work, an analysis of existing neural network-based age estimation methods and approaches to age verification on media platforms was conducted. A comparative analysis of neural network architectures for mobile devices, inference frameworks, and model optimization techniques was performed. Four neural network model topologies for age estimation based on the MobileNetV2 architecture were prepared, differing in depth and quantization level. A mobile Android application with MVVM architecture was designed and developed, implementing the complete processing pipeline: face detection, age estimation, and media content filtering. An experimental study was conducted on a sample of 7,112 images from the UTKFace dataset. The best model (Vanilla Quantized) demonstrated a MAE of 2.69 years with an inference time of 5.3 ms and a model size of 2.05 MB, which is comparable to commercial solutions while performing processing directly on the mobile device. All set goals and objectives of the work were achieved. The viability and effectiveness of the on-device approach to biometric age estimation for media content filtering was experimentally confirmed.