Gender Recognition System

Açıklama

İnsan yüzü, insanlar arasında uyumlu sosyal etkileşimler için çeşitli bilgiler içerir. Aslında, bireyler bir yüzü cinsiyet, etnik köken ve yaş gibi bir dizi diğer demografik özelliklerle birlikte kimliğine göre kategorize etmek için çeşitli şekillerde işleyebilirler. Özellikle insan cinsiyetini tanımak önemlidir çünkü insanlar cinsiyete göre farklı tepkiler verirler. Ayrıca, başarılı bir cinsiyet sınıflandırma yaklaşımı, kişi tanıma ve akıllı insan-bilgisayar arayüzleri dahil olmak üzere diğer birçok uygulamanın performansını artırabilir.

AdaBoost algoritmasına dayalı bir cinsiyet tanıma algoritması geliştirdik. Herhangi bir öğrenme algoritmasının doğruluğunu artırmak için artırma önerilmiştir. Boosting'de, kişi genellikle eğitim setinde ortalama bir performanstan daha yüksek doğrulukta bir sınıflandırıcı oluşturur ve ardından ortak karar kuralı eğitim setinde keyfi olarak yüksek doğruluğa sahip bir topluluk oluşturmak için yeni bileşen sınıflandırıcıları ekler. Böyle bir durumda sınıflandırma performansının “artırıldığını” söylüyoruz. Genel olarak, teknik, mevcut bileşen sınıflandırıcıları kümesi göz önüne alındığında "en bilgilendirici" olan tüm eğitim verilerinin bir alt kümesiyle ardışık bileşen sınıflandırıcılarını eğitir. AdaBoost (Adaptive Boost), Boosting öğreniminin tipik bir örneğidir. AdaBoost'ta, her eğitim modeline, bazı bireysel bileşen sınıflandırıcıları için seçilme olasılığını belirleyen bir ağırlık atanır. Genel olarak, eğitim seti boyunca ağırlıklar tek tip olacak şekilde başlatılır. Öğrenme sürecinde, bir eğitim deseni doğru bir şekilde sınıflandırılmışsa, daha sonraki bir bileşen sınıflandırıcısında tekrar kullanılma şansı azalır; tersine, desen doğru bir şekilde sınıflandırılmazsa, tekrar kullanılma şansı artar.

Kod, Stanford Medical Student Face Database ile test edilmiştir ve %89.61'lik mükemmel bir tanıma oranı elde edilmiştir (200 kadın görüntüsü ve 200 erkek görüntüsü, %90'ı eğitim için ve %10'u test için kullanılmıştır, dolayısıyla 360 eğitim görüntüsü ve 40 test görüntüsü vardır). toplamda rastgele seçilmiştir ve eğitim ve test görüntüleri arasında herhangi bir örtüşme yoktur).

Dizin Terimleri: Matlab, kaynak, kod, cinsiyet, tanıma, tanımlama, adaboost, erkek, kadın.