față umană conține o varietate de informații pentru interacțiuni sociale de adaptare printre oameni. De fapt, indivizii sunt capabili de a procesa un chip într-o varietate de moduri de a-l clasifica prin identitatea, împreună cu o serie de alte caracteristici demografice, cum ar fi sexul, etnia, si de varsta. În special, recunoscând gen uman este important, deoarece oamenii raspund diferit în funcție de sex. În plus, o abordare de succes clasificare gen poate stimula performanța multe alte aplicații, inclusiv recunoașterea persoană și interfețe om-calculator inteligente.
Am dezvoltat un algoritm de recunoaștere gen bazat pe algoritmul AdaBoost. Stimularea a fost propus pentru a îmbunătăți acuratețea orice algoritm de învățare dat. Într-o Stimularea în general creează un clasificator cu precizie pe setul de antrenare mai mare de o performanță medie, iar apoi adaugă noi clasificatori de componente pentru a forma un ansamblu a cărui regulă decizie comună are o precizie arbitrar de mare pe setul de antrenare. În acest caz, spunem că performanța de clasificare a fost "stimulate". În listă, trenul tehnică clasificatorii de componente succesive cu un subset al întregii datelor de formare, care este "cel mai informativ", având în vedere actualul set de clasificatori de componente. AdaBoost (Adaptive Stimularea) este o instanță tipic de Stimularea învățării. In AdaBoost, fiecare model de formare se atribuie o pondere care determină probabilitatea de a fi selectate pentru a putea clasificator componente individuale. În general, o inițializează ponderile din întreaga setul de antrenare a fi uniforme. În procesul de învățare, în cazul în care un model de formare a fost clasificat cu precizie, atunci șansa de a fi utilizate din nou într-un clasificator component ulterior scade; invers, dacă modelul nu este clasificat cu precizie, atunci șansele de a fi reutilizate este crescut.
Codul a fost testat cu Stanford Medical Student Face colecțiilor de date atingerea unei rate excelent recunoaștere de 89.61% (200 de imagini de sex feminin și 200 de imagini de sex masculin, 90% au folosit pentru formarea și 10% utilizate pentru testarea, prin urmare, nu sunt 360 imagini de instruire și 40 imagini de testare în total selectate aleatoriu și nu există o suprapunere între cele de formare și de testare imagini).
Index Termeni:. Matlab, sursă, cod, gen, de recunoaștere, de identificare, AdaBoost, de sex masculin, feminin
Cerințe :
Matlab
Comentariile nu a fost găsit