| Wersja | 2.0 |
|---|---|
| Wydawca | Luigi Rosa |
| Data wydania | 6 lis 2012 |
| Data dodania | 6 lis 2012 |
| Wymagania systemu operacyjnego | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| Wymagania | Matlab |
| Całkowita liczba pobrań | 659 |
| Cena £ | Free |
Opis
Ludzka twarz zawiera różnorodne informacje dotyczące adaptacyjnych interakcji społecznych między ludźmi. W rzeczywistości ludzie są w stanie przetwarzać twarz na różne sposoby, aby kategoryzować ją według jej tożsamości, wraz z szeregiem innych cech demograficznych, takich jak płeć, pochodzenie etniczne i wiek. W szczególności rozpoznawanie płci jest ważne, ponieważ ludzie reagują różnie w zależności od płci. Ponadto skuteczne podejście do klasyfikacji płci może zwiększyć wydajność wielu innych aplikacji, w tym rozpoznawania osób i inteligentnych interfejsów człowiek-komputer.
Opracowaliśmy algorytm rozpoznawania płci oparty na algorytmie AdaBoost. Zaproponowano wzmocnienie, aby poprawić dokładność dowolnego algorytmu uczenia. W trybie Boosting zazwyczaj tworzy się klasyfikator z dokładnością do zbioru uczącego większą niż średnia wydajność, a następnie dodaje nowe klasyfikatory komponentów, aby utworzyć zespół, którego wspólna reguła decyzyjna ma arbitralnie wysoką dokładność w zbiorze uczącym. W takim przypadku mówimy, że wydajność klasyfikacji została „podwyższona”. W skrócie, technika trenuje kolejne klasyfikatory składowe z podzbiorem całych danych uczących, które są "najbardziej pouczające" przy aktualnym zestawie klasyfikatorów składowych. AdaBoost (Adaptive Boosting) jest typowym przykładem uczenia się Boosting. W AdaBoost do każdego wzorca treningowego przypisywana jest waga, która określa prawdopodobieństwo wybrania go do jakiegoś indywidualnego klasyfikatora komponentów. Ogólnie rzecz biorąc, inicjalizuje się wagi w całym zestawie uczącym, aby były jednolite. W procesie uczenia się, jeśli wzorzec treningowy został dokładnie sklasyfikowany, zmniejsza się jego szansa na ponowne użycie w kolejnym klasyfikatorze składowym; odwrotnie, jeśli wzór nie jest dokładnie sklasyfikowany, zwiększa się jego szansa na ponowne użycie.
Kod został przetestowany w bazie danych Stanford Medical Student Face, uzyskując doskonały wskaźnik rozpoznawania wynoszący 89,61% (200 obrazów kobiet i 200 obrazów mężczyzn, 90% wykorzystanych do treningu i 10% do testów, stąd 360 obrazów treningowych i 40 obrazów testowych w sumie losowo wybrane i nie ma nakładania się między obrazami treningowymi i testowymi).
Pojęcia indeksowe: Matlab, źródło, kod, płeć, rozpoznawanie, identyfikacja, adaboost, mężczyzna, kobieta.
