Sistema di riconoscimento di genere Fornisci sistema di riconoscimento di genere per Matlab.
Scarica ora

Sistema di riconoscimento di genere Classifica e riepilogo

Sistema di riconoscimento di genere Tag

Sistema di riconoscimento di genere Descrizione

Il volto umano contiene una varietà di informazioni per le interazioni sociali adattive tra le persone. In effetti, gli individui sono in grado di elaborare una faccia in una varietà di modi per classificarlo con la sua identità, insieme a una serie di altre caratteristiche demografiche, come sesso, etnia ed età. In particolare, il riconoscimento del genere umano è importante poiché le persone rispondono in modo diverso secondo il genere. Inoltre, un approccio di classificazione di genere di successo può aumentare le prestazioni di molte altre applicazioni, incluso il riconoscimento della persona e le interfacce intelligenti del computer umano. Abbiamo sviluppato un algoritmo per il riconoscimento di genere basato sull'algoritmo di Adaboost. La boosting è stata proposta per migliorare la precisione di qualsiasi dato algoritmo di apprendimento. Nel potenziare uno crea generalmente un classificatore con precisione sul set di formazione maggiore di una performance media, quindi aggiunge nuovi classificatori dei componenti per formare un insieme la cui regola decisionale congiunta ha un'elevata precisione arbitrariamente sul set di allenamento. In tal caso, diciamo che le prestazioni di classificazione sono state "aumentate". Nella panoramica, la tecnica delinea i successivi classificatori dei componenti successivi con un sottoinsieme degli interi dati di allenamento che è "più informativa" data l'attuale serie di classificatori dei componenti. Adaboost (Adaptive Autiching) è un caso tipico di aumentando l'apprendimento. Ad Adabosost, ogni modello di allenamento è assegnato un peso che determina la sua probabilità di essere selezionato per alcuni singoli classificatori di componenti. Generalmente, si inizializza i pesi attraverso il set di allenamento per essere uniforme. Nel processo di apprendimento, se un modello di allenamento è stato classificato accuratamente, quindi la sua possibilità di essere riutilizzata in un classificatore di componenti successivo è diminuito; Viceversa, se il modello non è classificato accuratamente, la sua possibilità di essere utilizzata di nuovo è aumentata. Il codice è stato testato con Stanford Medical Student Student Database del database con un eccellente tasso di riconoscimento dell'89,61% (200 immagini femminili e 200 immagini maschili, il 90% utilizzato per la formazione e il 10% utilizzato per il test, quindi ci sono 360 immagini di formazione e 40 immagini di prova In totale selezionato a caso e non sovrapposizione esistono tra le immagini di formazione e test). Termini Indice: Matlab, fonte, codice, genere, riconoscimento, identificazione, adattamento, maschio, femmina.

Sistema di riconoscimento di genere Software correlato