menneskelige ansigt indeholder en lang række oplysninger om adaptive sociale interaktioner blandt mennesker. Faktisk individer er i stand til at behandle et ansigt i en række forskellige måder at kategorisere det som sin identitet, sammen med en række andre demografiske karakteristika, såsom køn, etnicitet og alder. Især er det vigtigt at anerkende den menneskelige køn, da folk reagerer forskelligt efter køn. Desuden kan en vellykket køn klassificering tilgang øge effektiviteten af mange andre applikationer, herunder personer anerkendelse og smarte menneske-computer-grænseflader.
Vi har udviklet en algoritme til køn anerkendelse på grundlag AdaBoost algoritme. Øget er blevet foreslået at forbedre nøjagtigheden af en given læring algoritme. I at øge et generelt skaber en klassifikatør med nøjagtighed på træningssættet større end en gennemsnitlig ydelse, og derefter tilføjer nye komponent klassifikatorer at danne et ensemble, hvis fælles afgørelse regel har vilkårligt høj nøjagtighed på træningssættet. I et sådant tilfælde, siger vi, at klassificeringen ydeevne er blevet "forstærket". I oversigt, teknikken tog hinanden komponent klassifikatorer med en delmængde af hele uddannelsen data, der er "mest informative" i betragtning af den nuværende sæt af komponent klassificører. AdaBoost (Adaptive Styrkelse) er et typisk eksempel på Øget læring. I AdaBoost er hver træning mønster tildelt en vægt, der afgør dens sandsynlighed for at blive udvalgt til nogle enkelte komponenter klassificeringen. Generelt en initialiserer vægtene tværs træningssættet at være ensartet. I læreprocessen, hvis en uddannelse opskrift er nøjagtigt klassificeret, så dens chance for at blive brugt igen i en efterfølgende komponent klassifikatør reduceres; omvendt, hvis mønsteret ikke er præcist klassificeret, så dens chance for at blive brugt igen forøges.
Koden er blevet testet med Stanford Medical Student Face Database opnå en fremragende anerkendelse på 89,61% (200 kvindelige billeder og 200 mandlige billeder, 90%, der anvendes til uddannelse og 10% anvendes til testning, dermed er der 360 uddannelse billeder og 40 test billeder i alt tilfældigt udvalgt, og ingen overlapning der er mellem uddannelse og testbilleder).
Sitemap Vilkår:. Matlab, kilde, kode, køn, anerkendelse, identifikation, adaboost, mand, kvinde
Krav :
Matlab
Kommentarer ikke fundet