Système de reconnaissance des sexes Fournir un système de reconnaissance de genre pour Matlab.
Télécharger maintenant

Système de reconnaissance des sexes Classement & Résumé

Système de reconnaissance des sexes Mots clés

Système de reconnaissance des sexes La description

Le visage humain contient une variété d'informations pour les interactions sociales adaptatives entre les personnes. En fait, les individus sont en mesure de traiter un visage de différentes façons de le classer par son identité, ainsi que de nombreuses autres caractéristiques démographiques, telles que le sexe, l'ethnie et l'âge. En particulier, la reconnaissance du genre humain est importante car les gens réagissent différemment selon le sexe. En outre, une approche de classification sexospécifique réussie peut augmenter la performance de nombreuses autres applications, y compris la reconnaissance de la personne et les interfaces intelligentes de l'ordinateur humain. Nous avons développé un algorithme de reconnaissance de genre basée sur l'algorithme Adaboost. L'augmentation a été proposée d'améliorer la précision d'un algorithme d'apprentissage donné. En plus de booster, on crée généralement un classificateur avec une précision sur l'ensemble de la formation supérieure à une performance moyenne, puis ajoute de nouveaux classificateurs de composants pour former un ensemble dont la règle de décision commune a une grande précision de manière arbitraire sur l'ensemble de la formation. Dans un tel cas, nous disons que la performance de la classification a été «boostée». Dans la vue d'ensemble, la technique entraîne des classificateurs de composants successifs avec un sous-ensemble de l'ensemble des données de formation «la plus informatif» étant donné l'ensemble actuel de classificateurs de composants. Adaboost (Boosting Adaptive) est un exemple typique d'apprentissage de stimulation. À Adaboost, chaque modèle de formation est attribué à un poids qui détermine sa probabilité d'être sélectionnée pour un classificateur de composants individuel. Généralement, on initialise les poids sur l'ensemble de l'entraînement pour être uniforme. Dans le processus d'apprentissage, si un modèle de formation a été classé avec précision, ses chances d'être utilisées à nouveau dans un classificateur de composants ultérieurs sont réduites; Inversement, si le motif n'est pas classé avec précision, ses chances d'être utilisées à nouveau sont augmentées. Le code a été testé avec la base de données Stanford Medicond Student Student Attevant d'un excellent taux de reconnaissance de 89,61% (200 images féminines et 200 images mâles, 90% utilisés pour la formation et 10% utilisés pour les tests, il y a donc 360 images de formation et 40 images de test Au total sélectionné au hasard et aucun chevauchement n'existe entre les images de formation et de test). Conditions d'index: MATLAB, Source, Code, Sexe, Reconnaissance, Identification, Adaboost, Homme, Femme.

Système de reconnaissance des sexes Logiciels associés