Gender Recognition System

Penerangan

Wajah manusia mengandungi pelbagai maklumat untuk interaksi sosial yang adaptif di kalangan orang. Malah, individu dapat memproses wajah dalam pelbagai cara untuk mengkategorikannya mengikut identitinya, bersama-sama dengan beberapa ciri demografi lain, seperti jantina, etnik, dan umur. Khususnya, mengiktiraf jantina manusia adalah penting kerana orang bertindak balas secara berbeza mengikut jantina. Di samping itu, pendekatan klasifikasi jantina yang berjaya boleh meningkatkan prestasi banyak aplikasi lain, termasuk pengecaman orang dan antara muka pintar manusia-komputer.

Kami telah membangunkan algoritma untuk pengecaman jantina berdasarkan algoritma AdaBoost. Peningkatan telah dicadangkan untuk meningkatkan ketepatan mana-mana algoritma pembelajaran yang diberikan. Dalam Boosting biasanya mencipta pengelas dengan ketepatan pada set latihan yang lebih besar daripada prestasi purata, dan kemudian menambah pengelas komponen baharu untuk membentuk ensemble yang peraturan keputusan bersamanya mempunyai ketepatan tinggi secara sewenang-wenangnya pada set latihan. Dalam kes sedemikian, kami mengatakan bahawa prestasi klasifikasi telah "ditingkatkan". Secara keseluruhan, teknik ini melatih pengelas komponen berturut-turut dengan subset keseluruhan data latihan yang "paling bermaklumat" memandangkan set pengelas komponen semasa. AdaBoost (Adaptive Boosting) ialah contoh tipikal pembelajaran Boosting. Dalam AdaBoost, setiap corak latihan diberikan berat yang menentukan kebarangkaliannya untuk dipilih untuk beberapa pengelas komponen individu. Secara amnya, seseorang memulakan pemberat merentas set latihan supaya seragam. Dalam proses pembelajaran, jika corak latihan telah dikelaskan dengan tepat, maka peluangnya untuk digunakan semula dalam pengelas komponen seterusnya berkurangan; sebaliknya, jika corak tidak dikelaskan dengan tepat, maka peluangnya untuk digunakan semula meningkat.

Kod tersebut telah diuji dengan Pangkalan Data Wajah Pelajar Perubatan Stanford yang mencapai kadar pengiktirafan yang sangat baik sebanyak 89.61% (200 imej wanita dan 200 imej lelaki, 90% digunakan untuk latihan dan 10% digunakan untuk ujian, oleh itu terdapat 360 imej latihan dan 40 imej ujian dalam jumlah dipilih secara rawak dan tiada pertindihan wujud antara latihan dan imej ujian).

Istilah Indeks: Matlab, sumber, kod, jantina, pengiktirafan, pengenalan, adaboost, lelaki, perempuan.