Gender Recognition System

شرح

چهره انسان حاوی اطلاعات متنوعی برای تعاملات اجتماعی سازگار بین افراد است. در واقع، افراد می‌توانند چهره‌ای را به روش‌های مختلف پردازش کنند تا آن را بر اساس هویت، همراه با تعدادی دیگر از ویژگی‌های جمعیت شناختی، مانند جنسیت، قومیت، و سن طبقه‌بندی کنند. به طور خاص، تشخیص جنسیت انسان مهم است، زیرا افراد بر اساس جنسیت متفاوت پاسخ می دهند. علاوه بر این، یک رویکرد طبقه‌بندی جنسیتی موفق می‌تواند عملکرد بسیاری از برنامه‌های کاربردی دیگر، از جمله شناسایی افراد و رابط‌های هوشمند انسان و رایانه را افزایش دهد.

ما یک الگوریتم برای تشخیص جنسیت بر اساس الگوریتم AdaBoost ایجاد کرده ایم. Boosting برای بهبود دقت هر الگوریتم یادگیری پیشنهاد شده است. در Boosting معمولاً یک طبقه‌بندی کننده با دقت در مجموعه آموزشی بیشتر از عملکرد متوسط ​​ایجاد می‌کند و سپس طبقه‌بندی‌کننده‌های مؤلفه جدیدی را اضافه می‌کند تا مجموعه‌ای را تشکیل دهد که قانون تصمیم مشترک آن دقت خودسرانه بالایی در مجموعه آموزشی دارد. در چنین حالتی می گوییم که عملکرد طبقه بندی «تقویت شده است». به طور کلی، این تکنیک طبقه‌بندی‌کننده‌های مؤلفه‌های متوالی را با زیرمجموعه‌ای از کل داده‌های آموزشی آموزش می‌دهد که با توجه به مجموعه فعلی طبقه‌بندی‌کننده‌های مؤلفه، «آموزنده‌ترین» است. AdaBoost (تقویت تطبیقی) یک نمونه معمولی از تقویت یادگیری است. در AdaBoost، به هر الگوی تمرین وزنی اختصاص داده می‌شود که احتمال انتخاب آن را برای طبقه‌بندی‌کننده اجزای جداگانه تعیین می‌کند. به طور کلی، وزنه ها در مجموعه تمرینی یکنواخت هستند. در فرآیند یادگیری، اگر یک الگوی آموزشی به طور دقیق طبقه‌بندی شده باشد، شانس استفاده مجدد از آن در طبقه‌بندی‌کننده اجزای بعدی کاهش می‌یابد. برعکس، اگر الگو به طور دقیق طبقه بندی نشود، شانس استفاده مجدد از آن افزایش می یابد.

این کد با پایگاه داده چهره دانشجویان پزشکی استانفورد آزمایش شده است که به نرخ تشخیص عالی 89.61٪ (200 تصویر زن و 200 تصویر مرد، 90٪ برای آموزش و 10٪ برای آزمایش استفاده می شود، از این رو 360 تصویر آموزشی و 40 تصویر آزمایشی وجود دارد. در مجموع به صورت تصادفی انتخاب شده و هیچ همپوشانی بین تصاویر آموزشی و آزمایشی وجود ندارد).

اصطلاحات فهرست: Matlab، منبع، کد، جنسیت، شناسایی، شناسایی، adaboost، مرد، زن.