| ვერსია | 2.0 |
|---|---|
| გამომცემელი | Luigi Rosa |
| Გამოშვების თარიღი | 6 ნოე. 2012 |
| Თარიღი დამატებულია | 6 ნოე. 2012 |
| მოთხოვნები | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| მოთხოვნები | Matlab |
| სულ ჩამოტვირთვების | 659 |
| ფასი | Free |
აღწერა
ადამიანის სახე შეიცავს მრავალფეროვან ინფორმაციას ადამიანებს შორის ადაპტური სოციალური ურთიერთობისთვის. ფაქტობრივად, ინდივიდებს შეუძლიათ სახის დამუშავება სხვადასხვა გზით, რათა დაასახელონ ის მისი იდენტობის მიხედვით, სხვა დემოგრაფიულ მახასიათებლებთან ერთად, როგორიცაა სქესი, ეთნიკური წარმომავლობა და ასაკი. კერძოდ, ადამიანის სქესის აღიარება მნიშვნელოვანია, რადგან ადამიანები განსხვავებულად რეაგირებენ სქესის მიხედვით. გარდა ამისა, გენდერული კლასიფიკაციის წარმატებულ მიდგომას შეუძლია გაზარდოს მრავალი სხვა აპლიკაციის შესრულება, მათ შორის პიროვნების ამოცნობა და ჭკვიანი ადამიანი-კომპიუტერის ინტერფეისები.
ჩვენ შევიმუშავეთ სქესის ამოცნობის ალგორითმი AdaBoost ალგორითმის საფუძველზე. Boosting შემოთავაზებულია ნებისმიერი მოცემული სასწავლო ალგორითმის სიზუსტის გასაუმჯობესებლად. Boosting-ში, ჩვეულებრივ, იქმნება კლასიფიკატორი სავარჯიშო კომპლექტზე საშუალო შესრულებაზე მეტი სიზუსტით და შემდეგ ამატებს ახალ კომპონენტთა კლასიფიკატორებს ანსამბლის შესაქმნელად, რომლის ერთობლივი გადაწყვეტილების წესს აქვს თვითნებურად მაღალი სიზუსტე ტრენინგის კომპლექტზე. ასეთ შემთხვევაში ჩვენ ვამბობთ, რომ კლასიფიკაციის მაჩვენებლები "გაძლიერებულია". მიმოხილვით, ტექნიკა ამზადებს თანმიმდევრული კომპონენტების კლასიფიკატორებს მთელი სასწავლო მონაცემების ქვეჯგუფით, რომელიც არის "ყველაზე ინფორმაციული" კომპონენტის კლასიფიკატორების ამჟამინდელი ნაკრების გათვალისწინებით. AdaBoost (ადაპტური გაძლიერება) გამაძლიერებელი სწავლის ტიპიური მაგალითია. AdaBoost-ში, თითოეულ სავარჯიშო შაბლონს ენიჭება წონა, რომელიც განსაზღვრავს მისი შერჩევის ალბათობას ცალკეული კომპონენტის კლასიფიკატორისთვის. ზოგადად, ერთი ვარჯიშის კომპლექტში წონების ინიციალიზაცია ხდება ერთგვაროვანი. სასწავლო პროცესში, თუ ტრენინგის ნიმუში ზუსტად არის კლასიფიცირებული, მაშინ მცირდება მისი ხელახლა გამოყენების შანსი შემდგომ კომპონენტთა კლასიფიკატორში; პირიქით, თუ ნიმუში არ არის ზუსტად კლასიფიცირებული, მაშინ მისი ხელახლა გამოყენების შანსი იზრდება.
კოდი შემოწმდა სტენფორდის სამედიცინო სტუდენტის სახის მონაცემთა ბაზასთან, სადაც მიღწეულია ამოცნობის შესანიშნავი მაჩვენებელი 89,61% (200 ქალის სურათი და 200 მამაკაცის სურათი, 90% გამოიყენება ვარჯიშისთვის და 10% გამოიყენება ტესტირებისთვის, შესაბამისად არის 360 სასწავლო სურათი და 40 ტესტის სურათი. მთლიანობაში შემთხვევით შერჩეული და არ არსებობს გადახურვა სასწავლო და ტესტის სურათებს შორის).
ინდექსის ტერმინები: Matlab, წყარო, კოდი, სქესი, ამოცნობა, იდენტიფიკაცია, adaboost, მამაკაცი, ქალი.
