Gender-Erkennungssystem. Ermöglicht das Gender-Erkennungssystem für Matlab.
Jetzt downloaden

Gender-Erkennungssystem. Ranking & Zusammenfassung

Gender-Erkennungssystem. Stichworte

Gender-Erkennungssystem. Beschreibung

Menschliches Gesicht enthält eine Vielzahl von Informationen für adaptive soziale Interaktionen unter den Menschen. Tatsächlich können Einzelpersonen ein Gesicht auf verschiedene Weise verarbeiten, um ihn durch seine Identität zusammen mit einer Reihe anderer demografischer Eigenschaften wie Geschlecht, Ethnie und Alter zu kategorisieren. Insbesondere ist das Erkennen des menschlichen Geschlechts wichtig, da die Menschen nach Geschlecht anders reagieren. Darüber hinaus kann ein erfolgreicher Gender-Klassifizierungsansatz die Leistung vieler anderer Anwendungen steigern, einschließlich der Anerkennung von Person und intelligenten Mensch-Computer-Schnittstellen. Wir haben einen Algorithmus für die Gendererkennung entwickelt, das auf dem Adaboost-Algorithmus basiert. Die Verstärkung wurde vorgeschlagen, um die Genauigkeit eines bestimmten Lernalgorithmus zu verbessern. Bei der Verstärkung erzeugt man im Allgemeinen einen Klassifizierer mit der Genauigkeit des Trainingssatzes, der größer als eine durchschnittliche Leistung eingestellt ist, und fügt dann neue Komponentenklassifizierer hinzu, um ein Ensemble zu bilden, dessen gemeinsame Entscheidungsregel willkürlich hohe Genauigkeit des Trainingssatzes hat. In einem solchen Fall sagen wir, dass die Klassifizierungsleistung "erhöht" wurde. Im Überblick ergibt sich die technische Technik aufeinanderfolgende Komponentenklassifizierer mit einer Teilmenge der gesamten Trainingsdaten, die für den aktuellen Satz von Komponentenklassifizierern "am meisten informativ" ist. Adaboost (adaptive Boosting) ist ein typisches Beispiel, um das Lernen zu steigern. In Adaboost wird jedes Trainingsmuster ein Gewicht zugewiesen, das seine Wahrscheinlichkeit bestimmt, für einen einzelnen Komponentenklassifizierer ausgewählt zu werden. Im Allgemeinen initialisiert man die Gewichte über den integrierten Trainingssatz, um einheitlich zu sein. Wenn im Lernprozess ein Trainingsmuster genau klassifiziert wurde, dann wird seine Chance, in einem nachfolgenden Komponentenklassifizierer wieder verwendet zu werden, verringert; Umgekehrt, wenn das Muster nicht genau klassifiziert ist, wird seine Chance, wieder verwendet zu werden, erhöht. Der Code wurde mit der Stanford Medical Student Chace-Datenbank getestet, um eine hervorragende Anerkennungsrate von 89,61% (200 weibliche Bilder und 200 männliche Bilder, 90% für das Training und 10% für das Testen zu erreichen. Daher gibt es 360 Trainingsbildern und 40 Testbilder Insgesamt zufällig ausgewählt und keine Überlappung zwischen den Trainings- und Testbildern). Indexbedingungen: matlab, source, code, geschlecht, anerkennung, identifikation, adaboost, männlich, weiblich.

Gender-Erkennungssystem. Zugehörige Software