| Versio | 2.0 |
|---|---|
| Kustantaja | Luigi Rosa |
| Julkaisupäivä | 6.11.2012 |
| Lisäyspäivämäärä | 6.11.2012 |
| Os vaatimukset | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| Vaatimukset | Matlab |
| Latauksia yhteensä | 659 |
| Hinta | Free |
Kuvaus
Ihmiskasvot sisältävät monenlaista tietoa ihmisten mukautuvaa sosiaalista vuorovaikutusta varten. Itse asiassa yksilöt pystyvät käsittelemään kasvoja monin eri tavoin ja luokittelemaan ne identiteettinsä sekä useiden muiden demografisten ominaisuuksien, kuten sukupuolen, etnisen taustan ja iän, perusteella. Erityisesti ihmisten sukupuolen tunnistaminen on tärkeää, koska ihmiset reagoivat eri tavalla sukupuolen mukaan. Lisäksi onnistunut sukupuolen luokittelutapa voi parantaa monien muiden sovellusten suorituskykyä, mukaan lukien henkilöntunnistus ja älykkäät ihmisen ja tietokoneen väliset rajapinnat.
Olemme kehittäneet AdaBoost-algoritmiin perustuvan algoritmin sukupuolen tunnistamiseen. Tehostusta on ehdotettu parantamaan minkä tahansa oppimisalgoritmin tarkkuutta. Boostingissa luodaan yleensä luokitin, jonka tarkkuus harjoitusjoukolle on suurempi kuin keskimääräinen suorituskyky, ja sitten lisätään uusia komponentiluokittajia muodostamaan kokonaisuus, jonka yhteispäätössäännöllä on mielivaltaisen korkea tarkkuus harjoitusjoukossa. Siinä tapauksessa sanomme, että luokittelukykyä on "tehostettu". Yleisesti ottaen tekniikka kouluttaa peräkkäisiä komponenttien luokittajia koko harjoitusdatan osajoukolla, joka on "informatiivisin" nykyisen komponentin luokittelijajoukon perusteella. AdaBoost (Adaptive Boosting) on tyypillinen esimerkki Boosting-oppimisesta. AdaBoostissa kullekin harjoituskuviolle on määritetty painoarvo, joka määrittää sen todennäköisyyden valita jollekin yksittäiselle komponenttiluokittajalle. Yleensä harjoitussarjan painot alustetaan yhtenäisiksi. Oppimisprosessissa, jos harjoituskuvio on luokiteltu tarkasti, sen mahdollisuus käyttää uudelleen seuraavassa komponenttien luokittelijassa pienenee; päinvastoin, jos kuviota ei ole luokiteltu tarkasti, sen mahdollisuus tulla uudelleen käyttöön kasvaa.
Koodi on testattu Stanford Medical Student Face Database -tietokannassa, ja se saavuttaa erinomaisen 89,61 %:n tunnistusprosentin (200 naiskuvaa ja 200 mieskuvaa, 90 % käytetään koulutukseen ja 10 % testaukseen, joten koulutuskuvia on 360 ja testikuvaa 40 yhteensä satunnaisesti valittu, eikä harjoitus- ja testikuvien välillä ole päällekkäisyyttä).
Hakemiston termit: Matlab, lähde, koodi, sukupuoli, tunnistus, tunnistaminen, adaboost, mies, nainen.
