Gender Recognition System

คำอธิบาย

ใบหน้าของมนุษย์ประกอบด้วยข้อมูลที่หลากหลายสำหรับปฏิสัมพันธ์ทางสังคมที่ปรับเปลี่ยนได้ระหว่างผู้คน ในความเป็นจริง ปัจเจกบุคคลสามารถประมวลผลใบหน้าได้หลายวิธีเพื่อจัดหมวดหมู่ใบหน้าตามอัตลักษณ์ ควบคู่ไปกับลักษณะทางประชากรอื่นๆ อีกจำนวนหนึ่ง เช่น เพศ เชื้อชาติ และอายุ โดยเฉพาะอย่างยิ่ง การรับรู้ถึงเพศของมนุษย์มีความสำคัญเนื่องจากผู้คนตอบสนองแตกต่างกันไปตามเพศ นอกจากนี้ วิธีการจำแนกเพศที่ประสบความสำเร็จสามารถเพิ่มประสิทธิภาพการทำงานของแอพพลิเคชั่นอื่นๆ ได้มากมาย รวมถึงการจดจำบุคคลและอินเทอร์เฟซระหว่างมนุษย์กับคอมพิวเตอร์อันชาญฉลาด

เราได้พัฒนาอัลกอริธึมสำหรับการจดจำเพศโดยอิงตามอัลกอริธึม AdaBoost มีการเสนอการบูสต์เพื่อปรับปรุงความแม่นยำของอัลกอริทึมการเรียนรู้ที่กำหนด ใน Boosting โดยทั่วไปจะสร้างตัวแยกประเภทที่มีความแม่นยำในชุดการฝึกมากกว่าประสิทธิภาพโดยเฉลี่ย แล้วเพิ่มตัวแยกประเภทส่วนประกอบใหม่เพื่อสร้างชุดที่มีกฎการตัดสินใจร่วมกันซึ่งมีความแม่นยำสูงตามอำเภอใจในชุดการฝึก ในกรณีเช่นนี้ เราบอกว่าประสิทธิภาพการจัดหมวดหมู่ได้รับการ "เพิ่มขึ้น" ในภาพรวม เทคนิคจะฝึกตัวแยกประเภทส่วนประกอบที่ต่อเนื่องกันด้วยชุดย่อยของข้อมูลการฝึกทั้งหมดที่ "ให้ข้อมูลมากที่สุด" เมื่อพิจารณาจากชุดตัวแยกประเภทส่วนประกอบในปัจจุบัน AdaBoost (Adaptive Boosting) เป็นตัวอย่างทั่วไปของ Boosting learning ใน AdaBoost รูปแบบการฝึกแต่ละรูปแบบจะได้รับการกำหนดน้ำหนักซึ่งกำหนดความน่าจะเป็นที่จะถูกเลือกสำหรับตัวแยกประเภทส่วนประกอบแต่ละอย่าง โดยทั่วไป เราจะเริ่มต้นน้ำหนักทั่วทั้งชุดการฝึกให้สม่ำเสมอ ในกระบวนการเรียนรู้ ถ้ารูปแบบการฝึกได้รับการจำแนกอย่างถูกต้องแล้ว โอกาสที่จะถูกนำมาใช้อีกครั้งในตัวแยกประเภทส่วนประกอบที่ตามมาจะลดลง ในทางกลับกัน หากรูปแบบไม่ถูกจำแนกอย่างถูกต้อง โอกาสที่จะถูกใช้อีกครั้งก็จะเพิ่มขึ้น

โค้ดนี้ได้รับการทดสอบกับฐานข้อมูลใบหน้าของนักศึกษาแพทย์สแตนฟอร์ดซึ่งมีอัตราการจดจำที่ยอดเยี่ยมถึง 89.61% (ภาพผู้หญิง 200 ภาพและภาพชาย 200 ภาพ ใช้สำหรับการฝึกอบรม 90% และการทดสอบ 10% ดังนั้นจึงมีภาพการฝึกอบรม 360 ภาพและภาพทดสอบ 40 ภาพ โดยสุ่มเลือกทั้งหมดและไม่มีความทับซ้อนกันระหว่างภาพการฝึกและการทดสอบ)

ข้อกำหนดของดัชนี: Matlab, แหล่งที่มา, รหัส, เพศ, การรับรู้, การระบุตัวตน, adaboost, เพศชาย, หญิง