| Verzija | 2.0 |
|---|---|
| Izdavač | Luigi Rosa |
| Datum izlaska | 6. stu 2012. |
| Datum dodan | 6. stu 2012. |
| Os zahtjevi | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| Zahtjevi | Matlab |
| Ukupno preuzimanja | 659 |
| Cijena | Free |
Opis
Ljudsko lice sadrži niz informacija za prilagodljive društvene interakcije među ljudima. U stvari, pojedinci mogu obraditi lice na različite načine kako bi ga kategorizirali prema njegovom identitetu, zajedno s nizom drugih demografskih karakteristika, kao što su spol, etnička pripadnost i dob. Osobito je važno prepoznavanje ljudskog spola budući da ljudi različito reagiraju ovisno o spolu. Osim toga, uspješan pristup klasifikaciji po spolu može poboljšati performanse mnogih drugih aplikacija, uključujući prepoznavanje osoba i pametna sučelja između čovjeka i računala.
Razvili smo algoritam za prepoznavanje spola koji se temelji na AdaBoost algoritmu. Pojačavanje je predloženo za poboljšanje točnosti bilo kojeg algoritma učenja. U Boostingu općenito se stvara klasifikator s točnošću na skupu za vježbanje većom od prosječne izvedbe, a zatim se dodaju novi klasifikatori komponenti kako bi se formirao skup čije zajedničko pravilo odlučivanja ima proizvoljno visoku točnost na skupu za vježbanje. U tom slučaju kažemo da je učinak klasifikacije "pojačan". U pregledu, tehnika obučava uzastopne klasifikatore komponenti s podskupom cjelokupnih podataka o obuci koji je "najinformativniji" s obzirom na trenutni skup klasifikatora komponenti. AdaBoost (Adaptive Boosting) tipičan je primjer Boosting učenja. U AdaBoostu, svakom obrascu treninga dodijeljena je težina koja određuje njegovu vjerojatnost da bude odabran za neki pojedinačni klasifikator komponente. Općenito, inicijaliziramo utege u cijelom skupu za vježbanje da budu ujednačeni. U procesu učenja, ako je obrazac obuke točno klasificiran, tada je njegova šansa da se ponovno koristi u sljedećem klasifikatoru komponente smanjena; obrnuto, ako uzorak nije točno klasificiran, povećava se njegova mogućnost da se ponovno koristi.
Kod je testiran sa Stanford Medical Student Face Database postižući izvrsnu stopu prepoznavanja od 89,61% (200 ženskih slika i 200 muških slika, 90% korišteno za obuku i 10% korišteno za testiranje, stoga postoji 360 slika za obuku i 40 slika za testiranje ukupno odabrano nasumično i ne postoji preklapanje između slika za obuku i testnih slika).
Pojmovi indeksa: Matlab, izvor, kod, spol, prepoznavanje, identifikacija, adaboost, muško, žensko.
