ανθρώπινο πρόσωπο περιέχει μια ποικιλία πληροφοριών για την προσαρμοστική κοινωνικές αλληλεπιδράσεις μεταξύ των ανθρώπων. Στην πραγματικότητα, τα άτομα είναι σε θέση να επεξεργάζονται ένα πρόσωπο σε μια ποικιλία τρόπων για να ταξινομήσει με την ταυτότητά της, μαζί με μια σειρά άλλων δημογραφικών χαρακτηριστικών, όπως το φύλο, η εθνικότητα και η ηλικία. Ειδικότερα, αναγνωρίζοντας ανθρώπινο γένος είναι σημαντικό δεδομένου ότι οι άνθρωποι αντιδρούν διαφορετικά ανάλογα με το φύλο. Επιπλέον, μια επιτυχημένη προσέγγιση ταξινόμησης των φύλων μπορεί να ενισχύσει τις επιδόσεις του σε πολλές άλλες εφαρμογές, συμπεριλαμβανομένης της αναγνώρισης προσώπου και έξυπνες διεπαφές ανθρώπου-υπολογιστή.
Έχουμε αναπτύξει έναν αλγόριθμο για την αναγνώριση των δύο φύλων με βάση τον αλγόριθμο AdaBoost. Ενίσχυση έχει προταθεί για τη βελτίωση της ακρίβειας του κάθε δεδομένο αλγόριθμο μάθησης. Σε μία Ενίσχυση δημιουργεί γενικά ταξινομητής με ακρίβεια για την εκπαίδευση είναι μεγαλύτερη από ό, τι κατά μέσο όρο απόδοση, και στη συνέχεια προσθέτει νέα ταξινομητές συστατικό για να σχηματίσει ένα σύνολο του οποίου η κοινή απόφαση κανόνας έχει αυθαίρετα υψηλή ακρίβεια για το σύνολο εκπαίδευσης. Σε μια τέτοια περίπτωση, λέμε ότι η απόδοση ταξινόμησης έχει "ενισχυθεί". Σε γενικές γραμμές, οι τεχνική τρένο διαδοχικές ταξινομητές συστατικό με ένα υποσύνολο του συνόλου δεδομένων εκπαίδευσης που είναι "πιο κατατοπιστική" δεδομένης της τρέχουσας σύνολο των ταξινομητών συστατικών. AdaBoost (Adaptive Ενίσχυση) είναι ένα τυπικό παράδειγμα των Ενίσχυση της μάθησης. Στην AdaBoost, κάθε πρότυπο εκπαίδευσης εφαρμόζεται συντελεστής που καθορίζει η πιθανότητα να επιλεγούν για κάποια μεμονωμένα ταξινομητή συστατικό. Σε γενικές γραμμές, ένα αρχικοποιεί τα βάρη σε όλη την ομάδα κατάρτισης να είναι ομοιόμορφη. Κατά τη διαδικασία της μάθησης, αν ένα σχέδιο κατάρτισης έχει ταξινομηθεί με ακρίβεια, τότε έχετε την ευκαιρία του να χρησιμοποιηθούν και πάλι σε μεταγενέστερη ταξινομητή συνιστώσα μειώνεται? Αντιστρόφως, εάν το σχέδιο δεν είναι επακριβώς ταξινομηθεί, τότε πιθανότητα του να χρησιμοποιηθεί πάλι αυξάνεται.
Ο κώδικας έχει δοκιμαστεί με Στάνφορντ Φοιτητών Ιατρικής Πρόσωπο βάση δεδομένων επιτυγχάνοντας άριστο ποσοστό αναγνώρισης του 89,61% (200 γυναίκες και 200 εικόνες αρσενικό εικόνες, το 90% χρησιμοποιείται για την εκπαίδευση και το 10% χρησιμοποιείται για τη δοκιμή, ως εκ τούτου, υπάρχουν 360 εικόνες κατάρτισης και 40 εικόνες δοκιμής συνολικά επιλέγονται τυχαία και δεν υπάρχει επικάλυψη μεταξύ των εικόνων εκπαίδευσης και δοκιμών).
Όροι Δείκτης:. Matlab, πηγή, κώδικα, το φύλο, την αναγνώριση, την ταυτοποίηση, adaboost, αρσενικό, θηλυκό
Απαιτήσεις :
Matlab
Τα σχόλια δεν βρέθηκε