| Versioon | 2.0 |
|---|---|
| Kirjastaja | Luigi Rosa |
| Väljalaske kuupäev | 6. nov 2012 |
| Kuupäev lisatud | 6. nov 2012 |
| Os nõuded | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| Nõuded | Matlab |
| Allalaadimisi kokku | 659 |
| Hind | Free |
Kirjeldus
Inimese nägu sisaldab mitmesugust teavet inimeste kohanemiseks sotsiaalseks suhtluseks. Tegelikult on inimestel võimalik nägu töödelda mitmel viisil, et kategoriseerida seda identiteedi ja mitmete muude demograafiliste tunnuste, näiteks soo, etnilise kuuluvuse ja vanuse järgi. Eelkõige on oluline inimeste soo äratundmine, kuna inimesed reageerivad vastavalt soole erinevalt. Lisaks võib edukas soolise klassifitseerimise lähenemisviis suurendada paljude muude rakenduste, sealhulgas isikutuvastuse ja nutikate inimese-arvuti liideste jõudlust.
Oleme välja töötanud AdaBoosti algoritmil põhineva soo tuvastamise algoritmi. Iga õppealgoritmi täpsuse parandamiseks on pakutud välja võimendamine. Boostingis luuakse üldiselt klassifikaator, mille täpsus on treeningkomplektis suurem kui keskmine sooritus, ja seejärel lisatakse uued komponentide klassifikaatorid, et moodustada ansambel, mille ühise otsuse reegli täpsus on treeningkomplektis meelevaldselt kõrge. Sellisel juhul ütleme, et klassifikatsiooni jõudlust on "tõusnud". Kokkuvõttes treenib tehnika järjestikuseid komponentide klassifikaatoreid kogu koolitusandmete alamhulgaga, mis on praegust komponentide klassifikaatorite komplekti arvestades "kõige informatiivsem". AdaBoost (Adaptive Boosting) on tüüpiline võimendava õppe näide. AdaBoostis määratakse igale treeningmustrile kaal, mis määrab selle tõenäosuse, et see valitakse mõne üksiku komponendi klassifikaatori jaoks. Üldiselt lähtestatakse treeningkomplekti raskused ühtlaseks. Kui koolitusmuster on õppeprotsessis täpselt klassifitseeritud, väheneb selle võimalus, et seda järgmises komponentide klassifikaatoris uuesti kasutatakse; vastupidi, kui muster ei ole täpselt klassifitseeritud, suureneb selle taaskasutamise võimalus.
Koodi on testitud Stanford Medical Student Face Database'iga, saavutades suurepärase äratundmismäära 89,61% (200 naisepilti ja 200 mehepilti, 90% kasutatakse koolituseks ja 10% testimiseks, seega on 360 treeningpilti ja 40 testpilti kokku juhuslikult valitud ning treening- ja katsekujutised ei kattu).
Indeksi tingimused: Matlab, allikas, kood, sugu, äratundmine, tuvastamine, adaboost, mees, naine.
