| Versi: kapan | 2.0 |
|---|---|
| Penerbit | Luigi Rosa |
| Tanggal rilis | 6 Nov 2012 |
| Tanggal Ditambahkan | 6 Nov 2012 |
| Persyaratan OS | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| Persyaratan | Matlab |
| Total unduhan | 659 |
| Harga | Free |
Deskripsi
Wajah manusia mengandung berbagai informasi untuk interaksi sosial yang adaptif antar manusia. Faktanya, individu dapat memproses wajah dengan berbagai cara untuk mengkategorikannya berdasarkan identitasnya, bersama dengan sejumlah karakteristik demografis lainnya, seperti jenis kelamin, etnis, dan usia. Secara khusus, mengenali gender manusia adalah penting karena orang merespons secara berbeda menurut gender. Selain itu, pendekatan klasifikasi gender yang berhasil dapat meningkatkan kinerja banyak aplikasi lain, termasuk pengenalan orang dan antarmuka manusia-komputer yang cerdas.
Kami telah mengembangkan algoritme untuk pengenalan gender berdasarkan algoritme AdaBoost. Boosting telah diusulkan untuk meningkatkan akurasi setiap algoritma pembelajaran yang diberikan. Dalam Boosting, seseorang umumnya membuat pengklasifikasi dengan akurasi pada set pelatihan lebih besar dari kinerja rata-rata, dan kemudian menambahkan pengklasifikasi komponen baru untuk membentuk ansambel yang aturan keputusan bersamanya memiliki akurasi tinggi yang sewenang-wenang pada set pelatihan. Dalam kasus seperti itu, kami mengatakan bahwa kinerja klasifikasi telah "ditingkatkan". Secara garis besar, teknik ini melatih pengklasifikasi komponen berurutan dengan subset dari seluruh data pelatihan yang "paling informatif" mengingat set pengklasifikasi komponen saat ini. AdaBoost (Adaptive Boosting) adalah contoh khas dari Boosting learning. Di AdaBoost, setiap pola pelatihan diberi bobot yang menentukan probabilitasnya untuk dipilih untuk beberapa pengklasifikasi komponen individual. Umumnya, seseorang menginisialisasi bobot di seluruh set pelatihan menjadi seragam. Dalam proses pembelajaran, jika pola pelatihan telah diklasifikasikan secara akurat, maka peluangnya untuk digunakan kembali dalam pengklasifikasi komponen berikutnya berkurang; sebaliknya, jika pola tidak diklasifikasikan secara akurat, maka peluangnya untuk digunakan kembali meningkat.
Kode telah diuji dengan Basis Data Wajah Mahasiswa Kedokteran Stanford mencapai tingkat pengenalan yang sangat baik sebesar 89,61% (200 gambar wanita dan 200 gambar pria, 90% digunakan untuk pelatihan dan 10% digunakan untuk pengujian, maka ada 360 gambar pelatihan dan 40 gambar uji secara total dipilih secara acak dan tidak ada tumpang tindih antara gambar pelatihan dan uji).
Ketentuan Indeks: Matlab, sumber, kode, jenis kelamin, pengakuan, identifikasi, adaboost, pria, wanita.
