| Տարբերակ | 2.0 |
|---|---|
| Հրատարակիչ | Luigi Rosa |
| Թողարկման ամսաթիվ | 06 նոյ, 2012 թ. |
| Ավելացման ամսաթիվը | 06 նոյ, 2012 թ. |
| OS պահանջները | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| Պահանջներ | Matlab |
| Ընդհանուր ներբեռնումներ | 659 |
| Գինը | Free |
Նկարագրություն
Մարդու դեմքը պարունակում է մի շարք տեղեկություններ մարդկանց միջև հարմարվողական սոցիալական փոխազդեցությունների համար: Իրականում, անհատները կարողանում են մշակել դեմքը տարբեր ձևերով՝ դասակարգելու այն ըստ իր ինքնության՝ մի շարք այլ ժողովրդագրական բնութագրերի հետ միասին, ինչպիսիք են սեռը, էթնիկ պատկանելությունը և տարիքը: Մասնավորապես, մարդու սեռը ճանաչելը կարևոր է, քանի որ մարդիկ տարբեր կերպ են արձագանքում ըստ սեռի: Բացի այդ, գենդերային դասակարգման հաջողված մոտեցումը կարող է խթանել բազմաթիվ այլ հավելվածների աշխատանքը, ներառյալ մարդկանց ճանաչումը և խելացի մարդ-համակարգիչ միջերեսները:
Մենք մշակել ենք սեռի ճանաչման ալգորիթմ՝ հիմնված AdaBoost ալգորիթմի վրա: Առաջարկվել է Boosting՝ բարելավելու ուսուցման ցանկացած ալգորիթմի ճշգրտությունը: Boosting-ում սովորաբար ստեղծվում է դասակարգիչ՝ միջին կատարողականից ավելի բարձր ճշգրտությամբ ուսուցման հավաքածուի վրա, և այնուհետև ավելացնում են նոր բաղադրիչ դասակարգիչներ՝ ձևավորելու համույթ, որի համատեղ որոշման կանոնը կամայականորեն բարձր ճշգրտություն ունի ուսուցման հավաքածուի վրա: Նման դեպքում ասում ենք, որ դասակարգման ցուցանիշը «խթանվել է»։ Ընդհանուր առմամբ, տեխնիկան պատրաստում է հաջորդական բաղադրիչների դասակարգիչներ ամբողջ վերապատրաստման տվյալների ենթաբազմությամբ, որոնք «առավել տեղեկատվական» են՝ հաշվի առնելով բաղադրիչների դասակարգիչների ներկա շարքը: AdaBoost-ը (Adaptive Boosting) Boosting ուսուցման բնորոշ օրինակ է: AdaBoost-ում յուրաքանչյուր ուսուցման օրինակին հատկացվում է կշիռ, որը որոշում է առանձին բաղադրիչների դասակարգչի համար ընտրվելու հավանականությունը: Ընդհանրապես, մեկը նախաստորագրում է կշիռները ամբողջ մարզման հավաքածուում, որպեսզի լինեն միատեսակ: Ուսուցման գործընթացում, եթե վերապատրաստման օրինաչափությունը ճշգրիտ դասակարգվել է, ապա դրա հաջորդ բաղադրիչ դասակարգիչում կրկին օգտագործելու հնարավորությունը նվազում է. ընդհակառակը, եթե օրինաչափությունը ճշգրիտ դասակարգված չէ, ապա դրա կրկին օգտագործման հնարավորությունը մեծանում է:
Կոդը փորձարկվել է Stanford Medical Student Face Database-ի հետ՝ հասնելով 89.61% ճանաչման գերազանց մակարդակի (200 իգական պատկեր և 200 արական պատկեր, 90%-ը օգտագործվում է մարզումների համար և 10%-ը՝ թեստավորման համար, հետևաբար կան 360 ուսումնական պատկերներ և 40 թեստային պատկերներ։ ընդհանուր առմամբ պատահականորեն ընտրված և վերապատրաստման և թեստային պատկերների միջև համընկնումը չկա):
Ինդեքսային պայմաններ՝ Matlab, աղբյուր, ծածկագիր, սեռ, ճանաչում, նույնականացում, adaboost, տղամարդ, իգական:
