wajah manusia mengandung berbagai informasi untuk interaksi sosial adaptif antara orang-orang. Bahkan, individu dapat memproses wajah dalam berbagai cara untuk mengkategorikan dengan identitasnya, bersama dengan sejumlah karakteristik demografis lainnya, seperti jenis kelamin, etnis, dan usia. Secara khusus, mengakui jenis kelamin manusia penting karena orang merespon secara berbeda menurut jenis kelamin. Selain itu, pendekatan klasifikasi jender sukses dapat meningkatkan kinerja aplikasi lain, termasuk orang pengakuan dan interface manusia-komputer cerdas.
Kami telah mengembangkan sebuah algoritma untuk pengakuan gender berdasarkan algoritma AdaBoost. Meningkatkan telah diusulkan untuk meningkatkan akurasi algoritma pembelajaran yang diberikan. Dalam Meningkatkan satu umumnya menciptakan classifier dengan akurasi pelatihan set lebih besar daripada rata-rata kinerja, dan kemudian menambahkan pengklasifikasi komponen baru untuk membentuk sebuah ensemble yang keputusan bersama aturan memiliki akurasi sewenang-wenang tinggi pada training set. Dalam kasus seperti itu, kita katakan bahwa kinerja klasifikasi telah "mendorong". Dalam gambaran, teknik kereta pengklasifikasi komponen berturut-turut dengan subset dari data pelatihan seluruh yang "paling informatif" mengingat set saat pengklasifikasi komponen. AdaBoost (Adaptive Boosting) adalah contoh khas Meningkatkan pembelajaran. Di AdaBoost, setiap pola pelatihan diberikan bobot yang menentukan probabilitas untuk terpilih untuk beberapa komponen classifier individu. Umumnya, satu inisialisasi bobot di set pelatihan untuk menjadi seragam. Dalam proses pembelajaran, jika pola pelatihan telah secara akurat diklasifikasikan, maka kesempatan nya digunakan lagi dalam klasifikasi komponen berikutnya menurun; sebaliknya, jika pola tidak akurat diklasifikasikan, maka kesempatan nya digunakan lagi meningkat.
Kode telah diuji dengan Stanford Medical Student database Wajah mencapai tingkat pengakuan yang sangat baik dari 89,61% (200 gambar perempuan dan laki-laki 200 gambar, 90% digunakan untuk pelatihan dan 10% digunakan untuk pengujian, maka ada 360 gambar pelatihan dan 40 citra uji total yang dipilih secara acak dan tidak ada tumpang tindih ada antara gambar pelatihan dan uji).
Indeks Persyaratan:. Matlab, sumber, kode, jenis kelamin, pengakuan, identifikasi, AdaBoost, laki-laki, perempuan
Persyaratan :
Matlab
Komentar tidak ditemukan