| Verze | 2.0 |
|---|---|
| Vydavatel | Luigi Rosa |
| Datum vydání | 6. 11. 2012 |
| Datum přidáno | 6. 11. 2012 |
| Os požadavky | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| Požadavky | Matlab |
| Celkový počet stažení | 659 |
| Cena | Free |
Popis
Lidská tvář obsahuje různé informace pro adaptivní sociální interakce mezi lidmi. Ve skutečnosti jsou jednotlivci schopni zpracovat obličej různými způsoby a kategorizovat ho podle identity spolu s řadou dalších demografických charakteristik, jako je pohlaví, etnický původ a věk. Zejména rozpoznání lidského pohlaví je důležité, protože lidé reagují různě podle pohlaví. Úspěšný přístup k genderové klasifikaci může navíc zvýšit výkon mnoha dalších aplikací, včetně rozpoznávání osob a inteligentních rozhraní člověk-počítač.
Vyvinuli jsme algoritmus pro rozpoznávání pohlaví založený na algoritmu AdaBoost. Boostování bylo navrženo pro zlepšení přesnosti jakéhokoli daného algoritmu učení. V Boostingu se obecně vytvoří klasifikátor s přesností na trénovací sadě vyšší, než je průměrný výkon, a pak se přidá nové klasifikátory komponent, aby se vytvořil soubor, jehož společné rozhodovací pravidlo má na trénovací sadě libovolně vysokou přesnost. V takovém případě říkáme, že výkonnost klasifikace byla „posílena“. V přehledu technika trénuje postupné klasifikátory komponent s podmnožinou celých trénovacích dat, která je „nejinformativnější“ vzhledem k aktuální sadě klasifikátorů komponent. AdaBoost (Adaptive Boosting) je typickým příkladem učení Boosting. V AdaBoost je každému tréninkovému vzoru přiřazena váha, která určuje jeho pravděpodobnost, že bude vybrán pro nějaký klasifikátor jednotlivých komponent. Obecně lze inicializovat váhy v tréninkové sadě tak, aby byly jednotné. Pokud byl v procesu učení trénovací vzor přesně klasifikován, pak se jeho šance na opětovné použití v následném klasifikátoru komponent sníží; naopak, pokud vzor není přesně klasifikován, zvyšuje se jeho šance na opětovné použití.
Kód byl testován pomocí Stanford Medical Student Face Database a dosáhl vynikající míry rozpoznání 89,61 % (200 ženských obrázků a 200 mužských obrázků, 90 % použito pro trénink a 10 % použito pro testování, takže existuje 360 tréninkových obrázků a 40 testovacích obrázků celkem náhodně vybrané a mezi tréninkovými a testovacími snímky neexistuje žádné překrývání).
Indexové pojmy: Matlab, zdroj, kód, pohlaví, rozpoznávání, identifikace, adaboost, muž, žena.
