Gender Recognition System

Deskrizzjoni

Wiċċ uman fih varjetà ta 'informazzjoni għal interazzjonijiet soċjali adattivi fost in-nies. Fil-fatt, l-individwi huma kapaċi jipproċessaw wiċċ b’diversi modi biex jikkategorizzawh skont l-identità tiegħu, flimkien ma’ numru ta’ karatteristiċi demografiċi oħra, bħall-ġeneru, l-etniċità, u l-età. B'mod partikolari, ir-rikonoxximent tal-ġeneru uman huwa importanti peress li n-nies jirrispondu b'mod differenti skont is-sess. Barra minn hekk, approċċ ta 'klassifikazzjoni tas-sessi ta' suċċess jista 'jsaħħaħ il-prestazzjoni ta' ħafna applikazzjonijiet oħra, inkluż ir-rikonoxximent tal-persuna u interfaces intelliġenti bejn il-bniedem u l-kompjuter.

Żviluppajna algoritmu għar-rikonoxximent tas-sessi bbażat fuq l-algoritmu AdaBoost. Ġie propost spinta biex tittejjeb l-eżattezza ta 'kwalunkwe algoritmu ta' tagħlim partikolari. Fil-Boosting wieħed ġeneralment joħloq klassifikatur bi preċiżjoni fuq is-sett ta 'taħriġ akbar minn prestazzjoni medja, u mbagħad iżid klassifikaturi ta' komponenti ġodda biex jiffurmaw ensemble li r-regola ta 'deċiżjoni konġunta tiegħu għandha preċiżjoni għolja b'mod arbitrarju fuq is-sett tat-taħriġ. F'każ bħal dan, ngħidu li l-prestazzjoni tal-klassifikazzjoni ġiet "msaħħa". Fil-ħarsa ġenerali, it-teknika tħarreġ klassifikaturi ta 'komponenti suċċessivi b'subsett tad-dejta kollha tat-taħriġ li hija "l-aktar informattiva" minħabba s-sett attwali ta' klassifikaturi tal-komponenti. AdaBoost (Adaptive Boosting) huwa eżempju tipiku tat-tagħlim Boosting. F'AdaBoost, kull mudell ta 'taħriġ huwa assenjat piż li jiddetermina l-probabbiltà tiegħu li jintgħażel għal xi klassifikatur ta' komponent individwali. Ġeneralment, wieħed initializes il-piżijiet madwar is-sett tat-taħriġ biex ikunu uniformi. Fil-proċess ta 'tagħlim, jekk mudell ta' taħriġ ikun ġie kklassifikat b'mod preċiż, allura ċ-ċans tiegħu li jerġa 'jintuża fi klassifikatur ta' komponent sussegwenti jonqos; bil-maqlub, jekk il-mudell ma jkunx ikklassifikat b'mod preċiż, allura ċ-ċans tiegħu li jerġa 'jintuża huwa miżjud.

Il-kodiċi ġie ttestjat bi Stanford Medical Student Face Database li kisbet rata ta’ rikonoxximent eċċellenti ta’ 89.61% (200 immaġini femminili u 200 immaġini maskili, 90% użati għat-taħriġ u 10% użati għall-ittestjar, għalhekk hemm 360 immaġini ta’ taħriġ u 40 immaġini tat-test b'kollox magħżula b'mod każwali u ma teżisti l-ebda sovrappożizzjoni bejn it-taħriġ u l-immaġini tat-test).

Termini tal-Indiċi: Matlab, sors, kodiċi, sess, rikonoxximent, identifikazzjoni, adaboost, maskili, femminili.