| גִרְסָה | 2.0 |
|---|---|
| מוֹצִיא לָאוֹר | Luigi Rosa |
| תאריך הוצאה | 6 בנוב׳ 2012 |
| תאריך הוסף | 6 בנוב׳ 2012 |
| דרישות Os | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| דרישות | Matlab |
| סה"כ הורדות | 659 |
| מחיר | Free |
תיאור
פנים אנושיות מכילות מגוון מידע לאינטראקציות חברתיות מסתגלות בין אנשים. למעשה, אנשים מסוגלים לעבד פנים במגוון דרכים כדי לסווג אותם לפי זהותו, יחד עם מספר מאפיינים דמוגרפיים אחרים, כגון מגדר, מוצא אתני וגיל. בפרט, הכרה במגדר אנושי חשובה מכיוון שאנשים מגיבים אחרת בהתאם למגדר. בנוסף, גישת סיווג מגדרי מוצלחת יכולה להגביר את הביצועים של יישומים רבים אחרים, כולל זיהוי אדם וממשקי אדם-מחשב חכמים.
פיתחנו אלגוריתם לזיהוי מגדר המבוסס על אלגוריתם AdaBoost. שיפור הוצע כדי לשפר את הדיוק של כל אלגוריתם למידה נתון. ב-Bosting יוצרים בדרך כלל מסווג עם דיוק על מערך האימון הגבוה מהביצועים הממוצע, ולאחר מכן מוסיפים מסווגי רכיבים חדשים כדי ליצור אנסמבל שלכלל ההחלטה המשותפת שלו יש דיוק גבוה באופן שרירותי על ערכת האימונים. במקרה כזה, אנו אומרים שביצועי הסיווג "הוגברו". בסקירה כללית, הטכניקה מאמנת מסווגים עוקבים של רכיבים עם תת-קבוצה של כל נתוני האימון שהיא "האינפורמטיבית ביותר" בהתחשב בקבוצה הנוכחית של מסווגי הרכיבים. AdaBoost (Adaptive Boosting) הוא מופע טיפוסי של Boosting למידה. ב-AdaBoost, לכל דפוס אימון מוקצה משקל שקובע את ההסתברות שלו להיבחר למסווג רכיבים בודדים. בדרך כלל, מאתחלים את המשקולות על פני מערך האימונים להיות אחידים. בתהליך הלמידה, אם דפוס אימון סווג במדויק, אזי הסיכוי שלו לשמש שוב במסווג רכיבים עוקב פוחת; לעומת זאת, אם התבנית לא מסווגת במדויק, אז הסיכוי שלה לשמש שוב גדל.
הקוד נבדק עם Stanford Medical Student Face Database והשיג שיעור זיהוי מצוין של 89.61% (200 תמונות נשיות ו-200 תמונות גברים, 90% משמשים לאימון ו-10% משמשים לבדיקה, ומכאן שיש 360 תמונות אימון ו-40 תמונות בדיקה בסך הכל נבחר באקראי ואין חפיפה בין תמונות ההדרכה והבדיקה).
מונחי אינדקס: Matlab, מקור, קוד, מגדר, הכרה, זיהוי, adaboost, זכר, נקבה.
