Gender Recognition System

Beskrivelse

Menneskets ansikt inneholder en rekke informasjon for adaptive sosiale interaksjoner mellom mennesker. Faktisk er individer i stand til å behandle et ansikt på en rekke måter for å kategorisere det etter dets identitet, sammen med en rekke andre demografiske kjennetegn, som kjønn, etnisitet og alder. Spesielt er det viktig å anerkjenne menneskelig kjønn siden folk reagerer forskjellig avhengig av kjønn. I tillegg kan en vellykket kjønnsklassifiseringstilnærming øke ytelsen til mange andre applikasjoner, inkludert persongjenkjenning og smarte menneske-datamaskin-grensesnitt.

Vi har utviklet en algoritme for kjønnsgjenkjenning basert på AdaBoost-algoritmen. Forsterkning har blitt foreslått for å forbedre nøyaktigheten til en gitt læringsalgoritme. I Boosting oppretter man generelt en klassifiserer med nøyaktighet på treningssettet som er større enn en gjennomsnittlig ytelse, og legger deretter til nye komponentklassifiserere for å danne et ensemble hvis felles beslutningsregel har vilkårlig høy nøyaktighet på treningssettet. I et slikt tilfelle sier vi at klassifiseringsytelsen har blitt "boostet". I oversikten trener teknikken suksessive komponentklassifiserere med en undergruppe av hele treningsdataene som er "mest informativ" gitt det gjeldende settet med komponentklassifiserere. AdaBoost (Adaptive Boosting) er en typisk forekomst av Boosting læring. I AdaBoost blir hvert treningsmønster tildelt en vekt som bestemmer sannsynligheten for å bli valgt for en individuell komponentklassifiserer. Vanligvis initialiserer man vektene på tvers av treningssettet for å være ensartede. I læringsprosessen, hvis et treningsmønster er blitt nøyaktig klassifisert, reduseres sjansen for å bli brukt igjen i en påfølgende komponentklassifiserer; omvendt, hvis mønsteret ikke er nøyaktig klassifisert, øker sjansen for å bli brukt igjen.

Koden er testet med Stanford Medical Student Face Database og oppnådde en utmerket gjenkjenningsrate på 89,61 % (200 kvinnelige bilder og 200 mannlige bilder, 90 % brukt til trening og 10 % brukt til testing, derfor er det 360 treningsbilder og 40 testbilder totalt tilfeldig valgt og det er ingen overlapping mellom trenings- og testbildene).

Indeksvilkår: Matlab, kilde, kode, kjønn, anerkjennelse, identifikasjon, adaboost, mann, kvinne.