| Versiya | 2.0 |
|---|---|
| Nəşriyyat | Luigi Rosa |
| Buraxılış tarixi | 6 noy 2012 |
| Tarix əlavə edildi | 6 noy 2012 |
| Os tələbləri | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| Tələblər | Matlab |
| Cəmi yüklənmə | 659 |
| Qiymət | Free |
Təsvir
İnsan üzü insanlar arasında uyğunlaşa bilən sosial qarşılıqlı əlaqə üçün müxtəlif məlumatlar ehtiva edir. Əslində, fərdlər sifəti cins, etnik mənsubiyyət və yaş kimi bir sıra digər demoqrafik xüsusiyyətlərlə birlikdə şəxsiyyətinə görə təsnif etmək üçün müxtəlif yollarla emal edə bilirlər. Xüsusilə, insan cinsini tanımaq vacibdir, çünki insanlar cinsə görə fərqli reaksiya verirlər. Bundan əlavə, uğurlu gender təsnifatı yanaşması şəxsin tanınması və ağıllı insan-kompüter interfeysləri də daxil olmaqla bir çox digər proqramların performansını artıra bilər.
Biz AdaBoost alqoritmi əsasında cinsin tanınması üçün alqoritm hazırlamışıq. Hər hansı bir öyrənmə alqoritminin dəqiqliyini artırmaq üçün gücləndirmə təklif edilmişdir. Boosting-də, ümumiyyətlə, təlim dəstində orta performansdan daha yüksək dəqiqliyə malik təsnifatçı yaradır və sonra birgə qərar vermə qaydası təlim dəstində ixtiyari olaraq yüksək dəqiqliyə malik olan ansambl yaratmaq üçün yeni komponent təsnifatçıları əlavə edir. Belə olan halda, təsnifat performansının "artırıldığını" deyirik. İcmal olaraq, texnika bütün təlim məlumatlarının alt çoxluğu ilə ardıcıl komponent təsnifatçılarını hazırlayır ki, bu da komponent təsnifatçılarının hazırkı dəstini nəzərə alaraq "ən informativdir". AdaBoost (Adaptive Boosting) Artan öyrənmənin tipik nümunəsidir. AdaBoost-da hər bir məşq nümunəsinə bəzi fərdi komponent təsnifatı üçün seçilmə ehtimalını müəyyən edən çəki təyin edilir. Ümumiyyətlə, məşq dəsti boyunca çəkiləri vahid olmaq üçün işə salır. Təlim prosesində təlim nümunəsi dəqiq təsnif edilibsə, onun növbəti komponent təsnifatında yenidən istifadə olunma şansı azalır; əksinə, əgər naxış dəqiq təsnif edilməzsə, onun yenidən istifadə olunma şansı artır.
Kod Stanford Medical Student Face Database ilə sınanıb və əla tanınma dərəcəsi 89,61% əldə edilib (200 qadın şəkli və 200 kişi şəkli, 90% təlim üçün və 10% sınaq üçün istifadə olunur, buna görə də 360 təlim şəkli və 40 test şəkli mövcuddur. cəmi təsadüfi seçilmiş və təlim və sınaq şəkilləri arasında heç bir üst-üstə düşmə yoxdur).
İndeks Şərtləri: Matlab, mənbə, kod, cins, tanınma, identifikasiya, adaboost, kişi, qadın.
