| Versiya | 2.0 |
|---|---|
| Nashriyotchi | Luigi Rosa |
| Ishlab chiqarilish sanasi | 6-noy, 2012 |
| Qo'shilgan sana | 6-noy, 2012 |
| Os talablari | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| Talablar | Matlab |
| Jami yuklamalar | 659 |
| Narx | Free |
Tavsif
Inson yuzida odamlar o'rtasidagi moslashuvchan ijtimoiy aloqalar uchun turli xil ma'lumotlar mavjud. Darhaqiqat, odamlar yuzni jinsi, etnik kelib chiqishi va yoshi kabi bir qator boshqa demografik xususiyatlar bilan bir qatorda uning o'ziga xosligi bo'yicha tasniflash uchun turli usullarda ishlashlari mumkin. Xususan, inson jinsini tan olish juda muhim, chunki odamlar jinsiga qarab turlicha javob berishadi. Bundan tashqari, muvaffaqiyatli gender tasnifi yondashuvi ko'plab boshqa ilovalar, jumladan, shaxsni tanib olish va aqlli inson-kompyuter interfeyslari samaradorligini oshirishi mumkin.
Biz AdaBoost algoritmi asosida jinsni aniqlash algoritmini ishlab chiqdik. Har qanday o'rganish algoritmining aniqligini oshirish uchun kuchaytirish taklif qilingan. Boosting-da, odatda, o'quv majmuasi bo'yicha aniqligi o'rtacha ko'rsatkichdan yuqori bo'lgan klassifikator yaratiladi va keyin birgalikda qaror qabul qilish qoidasi o'quv majmuasida o'zboshimchalik bilan yuqori aniqlikka ega bo'lgan ansamblni shakllantirish uchun yangi komponentlar tasniflagichlarini qo'shadi. Bunday holda, tasniflash ko'rsatkichlari "ko'tarildi" deb aytamiz. Umumiy nuqtai nazardan, ushbu texnika komponent klassifikatorlarining joriy to'plamini hisobga olgan holda "eng ma'lumotli" bo'lgan barcha o'quv ma'lumotlarining kichik to'plamiga ega bo'lgan ketma-ket komponent klassifikatorlarini tayyorlaydi. AdaBoost (Adaptive Boosting) - bu Boosting o'rganishning odatiy namunasidir. AdaBoost-da har bir mashg'ulot naqshiga uning ayrim individual komponentlar tasniflagichi uchun tanlanish ehtimolini belgilaydigan vazn beriladi. Odatda, bir xil bo'lishi uchun mashg'ulot to'plami bo'ylab og'irliklarni ishga tushiradi. O'quv jarayonida, agar o'quv namunasi to'g'ri tasniflangan bo'lsa, undan keyingi komponentlar tasniflagichida yana foydalanish imkoniyati kamayadi; aksincha, agar naqsh aniq tasniflanmagan bo'lsa, unda uni qayta ishlatish imkoniyati ortadi.
Kod Stenford Medical Student Face Database bilan sinovdan oʻtkazildi va 89,61% zoʻr tanib olish darajasiga erishdi (200 ta ayol tasviri va 200 ta erkak tasviri, 90% taʼlim uchun va 10% sinov uchun ishlatiladi, shuning uchun 360 ta oʻquv tasviri va 40 ta test tasviri mavjud. jami tasodifiy tanlangan va o'quv va sinov tasvirlari o'rtasida hech qanday o'xshashlik yo'q).
Indeks shartlari: Matlab, manba, kod, jins, tanib olish, aniqlash, adaboost, erkak, ayol.
