Ihmisen kasvot sisältää erilaisia tietoja mukautuvaa sosiaalista vuorovaikutusta ihmisten kesken. Itse asiassa, yksilöt pystyvät käsittelemään kasvot erilaisia tapoja luokitella sen mukaan identiteettiään sekä useita muita demografisia ominaisuuksia, kuten sukupuoli, etnisyys, ja ikä. Erityisesti tunnustetaan ihmisen sukupuoli on tärkeä, koska ihmiset reagoivat eri tavalla sukupuolen mukaan. Lisäksi onnistunut sukupuoli luokittelu lähestymistapa voi parantaa suorituskykyä monissa muissa sovelluksissa, kuten henkilön tunnustamista ja älykäs ihminen-tietokone rajapintoja.
Olemme kehittäneet algoritmin sukupuoleen perustuvan tunnustamisen AdaBoost algoritmi. Vauhtia on ehdotettu parantaa tarkkuutta tahansa oppimisen algoritmi. Lisäämisessä yksi yleensä luo luokittelija tarkasti koulutusta asetettu suurempi kuin keskimääräinen suoritustaso, ja lisää sitten uusi komponentti luokittelijoita muodostaa kokonaisuus, jonka yhteinen päätös sääntö on mielivaltaisen suureksi tarkkuuden koulutusta asetettu. Tällaisessa tapauksessa, sanomme, että luokitus suorituskyky on "lisännyt". Tiivistettynä, tekniikka junan peräkkäisten komponentti luokittelijoita osajoukon kanssa koko koulutuksen tietoja, jotka on "kaikkein informatiivinen" annetaan nykyisten komponenttien luokittelijoita. AdaBoost (Adaptive Vauhtia) on tyypillinen esimerkki Vauhtia oppimista. Vuonna AdaBoost jokainen harjoittelumalli annetaan paino, joka määrittää sen todennäköisyys tulla valituksi joidenkin yksittäisten komponenttien luokittelija. Yleensä yksi alustaa painot poikki opetusjoukon olla yhtenäinen. Oppimisprosessissa, jos koulutus malli on tarkasti luokiteltu, niin sen mahdollisuudet käytetään uudelleen myöhemmin komponentti luokittelija on vähentynyt; päinvastoin, jos malli ei ole tarkasti luokiteltu, niin sen mahdollisuus, että niitä käytetään jälleen kasvaa.
Koodi on testattu Stanfordin lääketieteen opiskelija Face Tietokannan saavuttaa erinomainen tunnettuus on 89,61% (200 naisen kuvia ja 200 uros kuvia, 90% käytetään koulutukseen ja 10% käyttää testaukseen, joten meillä on 360 koulutusta kuvia ja 40 testikuvia yhteensä satunnaisesti valittu ja ole päällekkäisyyksiä välillä koulutuksen ja testikuvia).
Asiasanat: Matlab, lähde, koodi, sukupuoli, tunnistaminen, tunnistus, adaboost, mies, nainen.
Vaatimukset :
Matlab
Kommentteja ei löytynyt