Gender Recognition System

Beschreiwung

Mënschlecht Gesiicht enthält eng Vielfalt vun Informatioun fir adaptiv sozial Interaktiounen tëscht Leit. Tatsächlech kënnen Individuen e Gesiicht op verschidde Weeër veraarbecht fir et no senger Identitéit ze kategoriséieren, zesumme mat enger Zuel vun aneren demographesche Charakteristiken, wéi Geschlecht, Ethnie an Alter. Besonnesch d'Unerkennung vum mënschleche Geschlecht ass wichteg well d'Leit anescht reagéieren no Geschlecht. Zousätzlech kann eng erfollegräich Geschlecht Klassifikatioun Approche d'Performance vu villen aneren Uwendungen erhéijen, dorënner d'Persounerkennung a schlau Mënsch-Computer Interfaces.

Mir hunn en Algorithmus fir Geschlechterkennung entwéckelt baséiert op AdaBoost Algorithmus. Boosting gouf proposéiert fir d'Genauegkeet vun engem bestëmmte Léieralgorithmus ze verbesseren. Am Boosting schaaft een allgemeng e Klassifizéierer mat Genauegkeet op der Trainingsset méi grouss wéi eng Moyenne Leeschtung, a füügt dann nei Komponentklasséierer un fir en Ensembel ze bilden deem seng gemeinsam Entscheedungsregel arbiträr héich Genauegkeet op der Trainingsset huet. An esou engem Fall, mir soen, datt d'Klassifikatioun Leeschtung gouf "gestouss". Am Iwwerbléck trainéiert d'Technik successiv Komponentklassifizéierer mat engem Ënnerdeel vun de ganzen Trainingsdaten, déi "informativst" sinn mat der aktueller Set vu Komponentklassifizéierer. AdaBoost (Adaptive Boosting) ass eng typesch Instanz vu Boosting Léieren. Am AdaBoost gëtt all Trainingsmuster e Gewiicht zougewisen dat seng Wahrscheinlechkeet bestëmmt fir fir e puer individuell Komponentklassifizéierer ausgewielt ze ginn. Generell initialiséiert een d'Gewichte iwwer den Trainingsset fir eenheetlech ze sinn. Am Léierprozess, wann e Trainingsmuster präzis klasséiert ass, da gëtt seng Chance fir erëm an engem spéider Komponentklassifizéierer benotzt ze ginn; ëmgedréit, wann d'Muster net präziist klasséiert ass, da gëtt seng Chance fir erëm benotzt ze ginn erhéicht.

De Code gouf mat Stanford Medical Student Face Database getest fir en exzellenten Unerkennungsquote vun 89.61% z'erreechen (200 weiblech Biller an 200 männlech Biller, 90% fir Training benotzt an 10% fir Testen benotzt, dofir ginn et 360 Trainingsbilder a 40 Testbilder am Ganzen zoufälleg ausgewielt a keng Iwwerlappung existéiert tëscht Training an Test Biller).

Index Begrëffer: Matlab, Quell, Code, Geschlecht, Unerkennung, Identifikatioun, Adaboost, männlech, weiblech.