Gender Recognition System

Περιγραφή

Το ανθρώπινο πρόσωπο περιέχει μια ποικιλία πληροφοριών για προσαρμοστικές κοινωνικές αλληλεπιδράσεις μεταξύ των ανθρώπων. Στην πραγματικότητα, τα άτομα είναι σε θέση να επεξεργαστούν ένα πρόσωπο με διάφορους τρόπους για να το κατηγοριοποιήσουν με βάση την ταυτότητά του, μαζί με μια σειρά από άλλα δημογραφικά χαρακτηριστικά, όπως το φύλο, την εθνικότητα και την ηλικία. Ειδικότερα, η αναγνώριση του ανθρώπινου φύλου είναι σημαντική, καθώς οι άνθρωποι ανταποκρίνονται διαφορετικά ανάλογα με το φύλο. Επιπλέον, μια επιτυχημένη προσέγγιση ταξινόμησης φύλου μπορεί να ενισχύσει την απόδοση πολλών άλλων εφαρμογών, συμπεριλαμβανομένης της αναγνώρισης προσώπων και των έξυπνων διεπαφών ανθρώπου-υπολογιστή.

Έχουμε αναπτύξει έναν αλγόριθμο για την αναγνώριση φύλου με βάση τον αλγόριθμο AdaBoost. Η ενίσχυση έχει προταθεί για τη βελτίωση της ακρίβειας οποιουδήποτε δεδομένου αλγορίθμου μάθησης. Στο Boosting, δημιουργείται γενικά ένας ταξινομητής με ακρίβεια στο σετ εκπαίδευσης μεγαλύτερη από μια μέση απόδοση και στη συνέχεια προσθέτει νέους ταξινομητές συστατικών για να σχηματίσει ένα σύνολο του οποίου ο κανόνας κοινής απόφασης έχει αυθαίρετα υψηλή ακρίβεια στο σετ εκπαίδευσης. Σε μια τέτοια περίπτωση, λέμε ότι η απόδοση της ταξινόμησης έχει «ενισχύεται». Σε επισκόπηση, η τεχνική εκπαιδεύει διαδοχικούς ταξινομητές συστατικών με ένα υποσύνολο ολόκληρων των δεδομένων εκπαίδευσης που είναι "πιο ενημερωτικό" δεδομένου του τρέχοντος συνόλου ταξινομητών συστατικών. Το AdaBoost (Adaptive Boosting) είναι ένα τυπικό παράδειγμα Boosting Learning. Στο AdaBoost, σε κάθε μοτίβο προπόνησης εκχωρείται ένα βάρος που καθορίζει την πιθανότητα να επιλεγεί για κάποιον μεμονωμένο ταξινομητή στοιχείων. Γενικά, αρχικοποιεί κανείς τα βάρη σε όλο το σετ προπόνησης να είναι ομοιόμορφα. Στη διαδικασία μάθησης, εάν ένα μοτίβο εκπαίδευσης έχει ταξινομηθεί με ακρίβεια, τότε η πιθανότητα να χρησιμοποιηθεί ξανά σε έναν επόμενο ταξινομητή συστατικών μειώνεται. Αντίθετα, εάν το μοτίβο δεν ταξινομηθεί με ακρίβεια, τότε η πιθανότητα να χρησιμοποιηθεί ξανά αυξάνεται.

Ο κώδικας έχει δοκιμαστεί με τη βάση δεδομένων προσώπων φοιτητών ιατρικής του Stanford επιτυγχάνοντας εξαιρετικό ποσοστό αναγνώρισης 89,61% (200 εικόνες γυναικών και 200 ​​ανδρικές εικόνες, 90% χρησιμοποιείται για εκπαίδευση και 10% χρησιμοποιείται για δοκιμές, επομένως υπάρχουν 360 εικόνες εκπαίδευσης και 40 εικόνες δοκιμής συνολικά επιλέχθηκαν τυχαία και δεν υπάρχει επικάλυψη μεταξύ των εικόνων εκπαίδευσης και δοκιμής).

Όροι ευρετηρίου: Matlab, πηγή, κώδικας, φύλο, αναγνώριση, αναγνώριση, adaboost, αρσενικό, θηλυκό.