Menneskelig ansikt inneholder en mengde informasjon for adaptive sosiale interaksjoner blant folk. Faktisk, enkeltpersoner er i stand til å behandle et ansikt i en rekke måter å kategorisere den ved sin identitet, sammen med en rekke andre demografiske kjennetegn, som kjønn, etnisitet og alder. Spesielt, erkjenner menneskelig kjønn er viktig siden folk reagerer forskjellig i henhold til kjønn. I tillegg kan en vellykket kjønn klassifisering tilnærming øke ytelsen til mange andre programmer, inkludert person anerkjennelse og smart menneske-maskin-grensesnitt.
Vi har utviklet en algoritme for kjønns anerkjennelse basert på AdaBoost algoritme. Boosting er blitt foreslått for å forbedre nøyaktigheten av en hvilken som helst gitt læringsalgoritme. I Styrking man skaper generelt en klassifikator med nøyaktighet på trenings satt større enn en gjennomsnittlig ytelse, og deretter legger til nye komponent klassifiserere å danne et ensemble som har felles beslutning regel har vilkårlig høy nøyaktighet på treningssettet. I et slikt tilfelle, sier vi at ytelsen klassifiseringen er "økt". I oversikten, de teknikk tog påfølgende komponent klassifiserere med en undergruppe av hele treningsdata som er "mest informative" gitt dagens sett av komponent klassifiserere. AdaBoost (Adaptive Styrking) er et typisk eksempel av Styrking læring. I AdaBoost er hver trening mønster tildelt en vekt som bestemmer sin sannsynlighet for å bli valgt for noen individuell komponent klassifikator. Generelt, en initialiserer vektene på tvers av treningssettet til å være ensartet. I læringsprosessen, hvis en trening oppskriften er nøyaktig klassifisert, deretter sin sjanse til å bli brukt igjen i en senere komponent klassifikator er redusert; Omvendt, hvis mønsteret ikke er nøyaktig gradert, så dens mulighet for å bli brukt på nytt økes.
Koden har blitt testet med Stanford Medical Student Face Database oppnå en utmerket anerkjennelse rate på 89,61% (200 kvinnelige bilder og 200 mannlige bilder, 90% brukes til trening og 10% brukes til testing, dermed er det 360 treningsbilder og 40 testbilder totalt tilfeldig valgt og ingen overlapping mellom opplærings- og testbilder).
Indeksvilkår:. Matlab, kilde, kode, kjønn, anerkjennelse, identifisering, adaboost, mannlige, kvinnelige
Krav :
Matlab
Kommentarer ikke funnet