Human mukha ay naglalaman ng iba't-ibang impormasyon para sa agpang panlipunan mga pakikipag-ugnayan sa gitna ng mga tao. Sa katunayan, ang mga indibidwal ay magagawang i-proseso ang mukha sa iba't ibang mga paraan upang maikategorya ito sa pamamagitan ng pagkakakilanlan nito, kasama ang isang bilang ng iba pang mga demographic na mga katangian, tulad ng kasarian, lahi, at edad. Sa partikular, pagkilala ng kasarian ng tao ay mahalaga dahil ang mga tao tumugon naiiba ayon sa kasarian. Bilang karagdagan, maaari mapalakas ang isang matagumpay na diskarte kasarian uuri ang pagganap ng maraming iba pang mga application, kabilang ang mga tao pagkilala at smart mga interface ng tao computer.
Kami ay nakabuo ng isang algorithm para sa pagkilala ng kasarian batay sa AdaBoost algorithm. Pagpapalakas May ipinanukalang upang mapabuti ang katumpakan ng anumang ibinigay na algorithm sa pag-aaral. Sa pagpapalakas ng isa sa pangkalahatan ay lumilikha ng isang classifier na may katumpakan sa pagsasanay-set mas malaki kaysa sa isang average na pagganap, at pagkatapos ay nagdadagdag ng mga bagong bahagi classifiers upang bumuo ng isang grupo na kung saan ang magkasanib na desisyon panuntunan ay nagkataon mataas na katumpakan sa hanay ng pagsasanay. Sa ganoong kaso, sinasabi namin na ang pagganap ng pag-uuri ay "boosted". Sa pangkalahatang-ideya, ang diskarteng tren sunud-sunod na bahagi classifiers sa isang subset ng buong data ng pagsasanay na "pinaka-mapagbigay-kaalamang" ibinigay ang kasalukuyang hanay ng mga bahagi classifiers. AdaBoost (agpang ng pagpapalakas) ay isang tipikal na halimbawa ng pagpapalakas ng pag-aaral. Sa AdaBoost, ang bawat pattern ng pagsasanay ay bibigyan ng isang timbang na tumutukoy nito na posibilidad ng pagiging pinili para sa ilang mga indibidwal na mga bahagi uuri. Sa pangkalahatan, ang isa initializes ang weights sa buong hanay ng pagsasanay upang maging pare-pareho. Sa proseso sa pag-aaral, kung ang isang pattern ng pagsasanay ay tumpak na naiuri, pagkatapos nito pagkakataon ng pag-ulit na ginagamit sa isang kasunod na bahagi uuri ay nabawasan; pasalungat, kung ang pattern ay hindi tumpak na naiuri, pagkatapos nito tsansa na ginagamit muli ay tumaas.
Code na ito ay nasubok sa Stanford Medical Mag-aaral Mukha Database pagkamit ng isang mahusay na pagkilala rate ng 89.61% (200 babae imahe at 200 lalaki mga imahe, 90% na ginagamit para sa pagsasanay at 10% na ginagamit para sa pagsubok, kaya mayroong 360 na pagsasanay mga imahe at 40 pagsubok ng mga larawan sa kabuuan random na piniling at walang overlap umiiral sa pagitan ng pagsasanay at pagsubok mga imahe).
Mga Tuntunin Index:. MATLAB, pinagmulan, code, kasarian, pagkilala, pagkilala, adaboost, lalaki, babae
Mga Kinakailangan :
MATLAB
Mga Komento hindi natagpuan