والوجه البشري يحتوي على مجموعة متنوعة من المعلومات عن التفاعلات الاجتماعية على التكيف بين الناس. في الواقع، والأفراد قادرين على معالجة الوجه في مجموعة متنوعة من الطرق لتصنيف من قبل هويتها، جنبا إلى جنب مع عدد من الخصائص الديموغرافية الأخرى، مثل الجنس والعرق والعمر. على وجه الخصوص، والاعتراف بين الجنسين البشري المهم منذ الناس يستجيبون بطريقة مختلفة وفقا لنوع الجنس. وبالإضافة إلى ذلك، يمكن للنهج التصنيف حسب نوع الجنس الناجح تعزيز أداء العديد من التطبيقات الأخرى، بما في ذلك الاعتراف شخص واجهات الإنسان والحاسوب الذكية.
لقد قمنا بتطوير خوارزمية للاعتراف بين الجنسين على أساس خوارزمية AdaBoost. وقد تم تعزيز المقترحة لتحسين دقة أي خوارزمية التعلم معين. في تعزيز واحد يخلق عموما المصنف مع دقة على تدريب مجموعة أكبر من متوسط الأداء، ثم يضيف المصنفات مكون جديد لتشكيل الفرقة التي قرار مشترك حكم ديه درجة عالية من الدقة بشكل تعسفي على مجموعة التدريب. في مثل هذه الحالة، ونحن نقول أن أداء تصنيف قد "عززت". في نظرة عامة، القطار تقنية المصنفات مكون المتعاقبة مع مجموعة فرعية من بيانات التدريب بأكمله وهذا هو "أكبر قدر من المعلومات" بالنظر إلى المجموعة الحالية من المصنفات المكون. AdaBoost (التكيف تعزيز) هو المثال النموذجي لتعزيز التعلم. في AdaBoost، يتم تعيين كل نمط التدريب وزنها الذي يحدد الاحتمال الخاص به من اختياره لبعض الأفراد المصنف المكون. عموما، واحدة تهيئة الأوزان عبر مجموعة التدريب لتكون موحدة. في عملية التعلم، إذا كان نمط التدريب قد تم تصنيفها بدقة، ثم انخفض فرصتها في أنها تستخدم مرة أخرى في المصنف عنصر لاحق؛ على العكس، إذا لم يتم تصنيف نمط بدقة، ثم يتم زيادة فرصتها في أنها تستخدم مرة أخرى.
وقد تم اختبار الشفرة مع ستانفورد لطلبة الطب قاعدة بيانات الوجه تحقيق معدل الاعتراف ممتازة من 89.61٪ (200 صور الإناث والذكور 200 صورة، و 90٪ تستخدم للتدريب و 10٪ المستخدمة في الاختبار، وبالتالي هناك 360 الصور التدريب و40 صور الاختبار في المجموع تم اختيارها عشوائيا وجود أي تداخل بين الصور التدريب والاختبار).
الكلمات الدالة: ماتلاب، مصدر، رمز والجنس والاعتراف، والهوية، adaboost، الذكور والإناث
المتطلبات:
ماتلاب
لم يتم العثور على التعليقات