| Нускасы | 2.0 |
|---|---|
| Publisher | Luigi Rosa |
| Чыккан датасы | 2012-ж., 6-ноя. |
| Кошулган күнү | 2012-ж., 6-ноя. |
| Os талаптар | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| Талаптар | Matlab |
| Жалпы жүктөлүүлөр | 659 |
| Баасы | Free |
Сүрөттөмө
Адамдын жүзү адамдардын ортосундагы адаптацияланган социалдык өз ара аракеттенүү үчүн ар кандай маалыматтарды камтыйт. Чынында, адамдар жүздү анын инсандыгы, ошондой эле жынысы, улуту жана жашы сыяктуу бир катар башка демографиялык мүнөздөмөлөрү боюнча категорияларга бөлүүнүн ар кандай жолдору менен иштете алышат. Айрыкча, адамдын жынысын таануу маанилүү, анткени адамдар жынысына жараша ар кандай жооп беришет. Кошумчалай кетсек, гендердик классификациянын ийгиликтүү ыкмасы башка көптөгөн колдонмолордун, анын ичинде адамды таануу жана акылдуу адам-компьютер интерфейстеринин иштешин жогорулата алат.
Биз AdaBoost алгоритминин негизинде гендерди таануу алгоритмин иштеп чыктык. Ар кандай окутуу алгоритминин тактыгын жогорулатуу үчүн жогорулатуу сунушталды. Boosting'де жалпысынан машыгуу топтому боюнча орточо көрсөткүчтөн жогору болгон классификатор түзүлөт, андан кийин биргелешкен чечим кабыл алуу эрежеси машыгуу топтомунда өзүм билемдик менен жогорку тактыкка ээ болгон ансамблди түзүү үчүн жаңы компоненттик классификаторлорду кошот. Мындай учурда классификациянын көрсөткүчтөрү "көбөйдү" деп айтабыз. Карап чыгууда, техника бөлүкчөлөрдүн классификаторлорунун учурдагы топтомун эске алуу менен "эң маалыматтуу" болгон окутуу маалыматтарынын бир бөлүгү менен ырааттуу компоненттер классификаторлорун үйрөтөт. AdaBoost (Adaptive Boosting) окутууну жогорулатуунун типтүү мисалы. AdaBoost'та ар бир машыгуу үлгүсүнө кандайдыр бир жеке компоненттердин классификатору үчүн тандалуу ыктымалдыгын аныктаган салмак ыйгарылат. Жалпысынан алганда, бир калыпта болуу үчүн машыгуу топтому боюнча салмактарды инициализациялайт. Окуу процессинде, эгерде окутуунун үлгүсү так классификацияланган болсо, анда анын кийинки компоненттик классификатордо кайра колдонулуу мүмкүнчүлүгү төмөндөйт; тескерисинче, эгерде үлгү так классификацияланбаса, анын кайра колдонулуу мүмкүнчүлүгү жогорулайт.
Код Stanford Medical Student Face Database менен сыналып, 89,61% (200 аял сүрөтү жана 200 эркек сүрөтү, 90% окутуу үчүн жана 10% тестирлөө үчүн колдонулат, демек, 360 машыгуу сүрөтү жана 40 тесттик сүрөт бар) эң сонун таануу көрсөткүчүнө жеткен. жалпысынан кокусунан тандалып алынган жана окутуу жана сыноо сүрөттөрүнүн ортосунда эч кандай дал келүү жок).
Индекс Терминдер: Matlab, булак, код, гендер, таануу, идентификация, adaboost, эркек, аял.
