khuôn mặt con người có chứa một loạt các thông tin cho các tương tác xã hội giữa những người thích nghi. Trong thực tế, các cá nhân có thể xử lý một khuôn mặt trong một loạt các cách để phân loại nó bằng cách nhận dạng của nó, cùng với một số đặc điểm nhân khẩu học khác, như giới tính, dân tộc, và tuổi tác. Đặc biệt, nhận biết giới tính của con người là quan trọng vì mọi người phản ứng khác nhau tùy theo giới tính. Ngoài ra, một cách tiếp cận phân loại giới tính thành công có thể tăng hiệu suất của các ứng dụng khác, bao gồm cả công nhận người và giao diện người-máy tính thông minh.
Chúng tôi đã phát triển một thuật toán cho công nhận giới tính dựa trên thuật toán AdaBoost. Đẩy mạnh đã được đề xuất để cải thiện tính chính xác của bất kỳ thuật toán học nhất định. Trong một Boosting thường tạo ra một phân loại với độ chính xác về việc đào tạo thiết lập lớn hơn nhiều so với một hiệu suất trung bình, và sau đó bổ sung thêm phân loại thành phần mới để tạo thành một quần thể có quyết định chung quy tắc có tính chính xác cao tùy ý trên tập huấn luyện. Trong một trường hợp như vậy, chúng ta nói rằng việc thực hiện phân loại đã được "đẩy". Trong cái nhìn tổng quan, tàu kỹ thuật phân loại thành phần kế tiếp với một tập hợp con của toàn bộ dữ liệu huấn luyện đó là "thông tin nhất" cho các thiết lập hiện hành của phân loại thành phần. AdaBoost (Adaptive Boosting) là một ví dụ điển hình của Boosting học tập. Trong AdaBoost, mỗi mô hình đào tạo được giao một trọng lượng xác định xác suất của nó được lựa chọn cho một số phân loại thành phần riêng lẻ. Nói chung, một khởi tạo các trọng số trên tập huấn luyện để được thống nhất. Trong quá trình học tập, nếu một mô hình đào tạo đã được phân loại chính xác, sau đó cơ hội của nó đang được sử dụng lại trong một bộ phân loại thành phần tiếp theo được giảm; ngược lại, nếu mô hình không được phân loại chính xác, sau đó cơ hội của nó đang được sử dụng một lần nữa tăng lên.
Mã này đã được thử nghiệm với các sinh viên y khoa Stanford Database mặt đạt được một tỷ lệ nhận dạng tuyệt vời của 89,61% (200 hình ảnh nữ và 200 hình ảnh nam giới, 90% sử dụng cho đào tạo và 10% được sử dụng để thử nghiệm, do đó có 360 hình ảnh đào tạo và 40 hình ảnh kiểm tra trong tổng số lựa chọn ngẫu nhiên và không có sự trùng lặp giữa đào tạo và kiểm tra các hình ảnh).
Index Điều khoản:. Matlab, nguồn, code, giới tính, nhận dạng, xác định, AdaBoost, nam, nữ
Yêu cầu :
Matlab
Bình luận không