Gender Recognition System

Përshkrim

Fytyra e njeriut përmban një sërë informacionesh për ndërveprimet sociale adaptive midis njerëzve. Në fakt, individët janë në gjendje të përpunojnë një fytyrë në mënyra të ndryshme për ta kategorizuar atë sipas identitetit të saj, së bashku me një sërë karakteristikash të tjera demografike, si gjinia, përkatësia etnike dhe mosha. Në veçanti, njohja e gjinisë njerëzore është e rëndësishme pasi njerëzit përgjigjen ndryshe sipas gjinisë. Përveç kësaj, një qasje e suksesshme e klasifikimit gjinor mund të rrisë performancën e shumë aplikacioneve të tjera, duke përfshirë njohjen e personave dhe ndërfaqet inteligjente njeri-kompjuter.

Ne kemi zhvilluar një algoritëm për njohjen e gjinisë bazuar në algoritmin AdaBoost. Përmirësimi është propozuar për të përmirësuar saktësinë e çdo algoritmi të caktuar mësimor. Në Boosting, në përgjithësi krijohet një klasifikues me saktësi në grupin e trajnimit më të madh se një performancë mesatare, dhe më pas shtohen klasifikues të rinj të komponentëve për të formuar një ansambël, rregulli i vendimit të përbashkët të të cilit ka saktësi arbitrare të lartë në grupin e trajnimit. Në një rast të tillë themi se është “rritur” ecuria e klasifikimit. Në përmbledhje, teknika trajnon klasifikuesit e njëpasnjëshëm të komponentëve me një nëngrup të të gjitha të dhënave të trajnimit që janë "më informuese" duke pasur parasysh grupin aktual të klasifikuesve të komponentëve. AdaBoost (Adaptive Boosting) është një shembull tipik i Boosting Learning. Në AdaBoost, çdo modeli trajnimi i caktohet një peshë që përcakton probabilitetin e tij për t'u zgjedhur për disa klasifikues të komponentëve individualë. Në përgjithësi, inicializohet që peshat në grupin e trajnimit të jenë uniforme. Në procesin e të mësuarit, nëse një model trajnimi është klasifikuar saktë, atëherë mundësia e tij për t'u përdorur përsëri në një klasifikues të komponentëve të mëvonshëm zvogëlohet; anasjelltas, nëse modeli nuk klasifikohet saktë, atëherë mundësia e tij për t'u përdorur përsëri rritet.

Kodi është testuar me bazën e të dhënave të fytyrave të studentëve mjekësorë në Stanford duke arritur një shkallë të shkëlqyer njohjeje prej 89,61% (200 imazhe femra dhe 200 imazhe meshkuj, 90% të përdorura për stërvitje dhe 10% të përdorura për testim, prandaj ka 360 imazhe trajnimi dhe 40 imazhe testi gjithsej të zgjedhura rastësisht dhe nuk ekziston asnjë mbivendosje ndërmjet imazheve të trajnimit dhe testimit).

Termat e indeksit: Matlab, burim, kod, gjini, njohje, identifikim, adaboost, mashkull, femër.