Horizon / Plein textes La base de ressources documentaires de l'IRD

IRD

 

Publications des scientifiques de l'IRD

Helleringer S., You C., Fleury Laurence, Douillot L., Diouf I., Ndiaye C. T., Delaunay Valérie, Vidal R. (2019). Improving age measurement in low- and middle-income countries through computer vision : a test in Senegal. Demographic Research, 40, 219-260. ISSN 1435-9871

Fichier PDF disponiblehttp://horizon.documentation.ird.fr/exl-doc/pleins_textes/divers19-02/010075176.pdf[ PDF Link ]

Lien direct chez l'éditeur doi:10.4054/DemRes.2019.40.9

Titre
Improving age measurement in low- and middle-income countries through computer vision : a test in Senegal
Année de publication2019
Type de documentArticle référencé dans le Web of Science WOS:000458661400001
AuteursHelleringer S., You C., Fleury Laurence, Douillot L., Diouf I., Ndiaye C. T., Delaunay Valérie, Vidal R.
SourceDemographic Research, 2019, 40, p. 219-260. ISSN 1435-9871
RésuméBACKGROUND Age misreporting is pervasive in most low-and middle-income countries (LMIC). It may bias estimates of key demographic indicators, such as those required to track progress towards sustainable development goals. Existing methods to improve age data are often ineffective, cannot be adopted on a large scale, and/or do not permit estimating age over the entire life course. OBJECTIVE We tested a computer vision approach, which produces an age estimate by analyzing a photograph of an individual's face. METHODS We constituted a small training dataset in a population of Senegal covered by a health and demographic surveillance system (HDSS) since 1962. We collected facial images of 353 women aged 18 and above, whose age could be ascertained precisely using HDSS data. We developed automatic age estimation (AAE) systems through machine learning and cross-validation. RESULTS AAE was highly accurate in distinguishing women of reproductive age from women aged 50 and older (area under the curve > 0.95). It allowed estimating age in completed years, with a level of precision comparable to those obtained in European or East Asian populations with training datasets of similar sizes (mean absolute error = 4.62 years). CONCLUSION Computer vision might help improve age ascertainment in demographic datasets collected in LMICs. Further improving the accuracy of this approach will require constituting larger and more complete training datasets in additional LMIC populations. CONTRIBUTION Our work highlights the potential benefits of widely used computer science tools for improving demographic measurement in LMIC settings with deficient data.
Plan de classementDémographie [108]
Descr. géo.SENEGAL
LocalisationFonds IRD [F B010075176]
Identifiant IRDfdi:010075176
Lien permanenthttp://www.documentation.ird.fr/hor/fdi:010075176

Export des données

Disponibilité des documents

Télechargment fichier PDF téléchargeable

Lien sur le Web lien chez l'éditeur

Accès réservé en accès réservé

HAL en libre accès sur HAL


* PDF Link :

    à télécharger pour citer/partager ce document sur les réseaux sociaux académiques


Accès aux documents originaux :

Le FDI est labellisé CollEx

Accès direct

Bureau du chercheur

Site de la documentation

Espace intranet IST (accès réservé)

Suivi des publications IRD (accès réservé)

Mentions légales

Services Horizon

Poser une question

Consulter l'aide en ligne

Déposer une publication (accès réservé)

S'abonner au flux RSS

Voir les tableaux chronologiques et thématiques

Centres de documentation

Bondy

Montpellier (centre IRD)

Montpellier (MSE)

Cayenne

Nouméa

Papeete

Abidjan

Dakar

Niamey

Ouagadougou

Tunis

La Paz

Quito