| Верзија | 2.0 |
|---|---|
| Издавач | Luigi Rosa |
| Датум изласка | 6. 11. 2012. |
| Датум додавања | 6. 11. 2012. |
| Ос захтеви | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| Захтеви | Matlab |
| Укупно преузимања | 659 |
| Цена | Free |
Опис
Људско лице садржи разне информације за прилагодљиве друштвене интеракције међу људима. У ствари, појединци су у стању да обрађују лице на различите начине како би га категорисали према његовом идентитету, заједно са низом других демографских карактеристика, као што су пол, етничка припадност и старост. Посебно је важно препознавање људског рода јер људи различито реагују у зависности од пола. Поред тога, успешан приступ родне класификације може побољшати перформансе многих других апликација, укључујући препознавање особа и паметне интерфејсе човека и рачунара.
Развили смо алгоритам за препознавање пола заснован на АдаБоост алгоритму. Предложено је појачавање да би се побољшала тачност било ког алгоритма учења. У Боостинг-у се генерално креира класификатор са тачношћу на сету за обуку већом од просечног учинка, а затим додаје нове класификаторе компоненти да би се формирао ансамбл чије правило заједничког одлучивања има произвољно високу тачност на сету за обуку. У таквом случају кажемо да је учинак класификације „појачан“. У прегледу, техника обучава узастопне класификаторе компоненти са подскупом целокупних података о обуци који је „најинформативнији“ с обзиром на тренутни скуп класификатора компоненти. АдаБоост (Адаптиве Боостинг) је типичан пример побољшања учења. У АдаБоост-у, сваком обрасцу обуке је додељена тежина која одређује његову вероватноћу да буде изабран за неки класификатор појединачних компоненти. Генерално, иницијализује се тежине у комплету за обуку да буду уједначене. У процесу учења, ако је образац обуке тачно класификован, онда се смањује његова шанса да се поново користи у следећем класификатору компоненти; обрнуто, ако образац није тачно класификован, онда се повећава његова шанса да се поново користи.
Код је тестиран са Стенфордском медицинском базом података лица студената постижући одличну стопу препознавања од 89,61% (200 женских слика и 200 мушких слика, 90% се користи за обуку и 10% за тестирање, стога постоји 360 слика за обуку и 40 слика за тестирање укупно насумично одабрано и не постоји преклапање између слика за обуку и тест).
Индексни појмови: Матлаб, извор, код, пол, препознавање, идентификација, адабоост, мушко, женско.
