| Útgáfa | 2.0 |
|---|---|
| Útgefandi | Luigi Rosa |
| Útgáfudagur | 6. nóv. 2012 |
| Dagsetning bætt við | 6. nóv. 2012 |
| Os kröfur | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| Kröfur | Matlab |
| Niðurhal alls | 659 |
| Verð | Free |
Lýsing
Mannlegt andlit inniheldur margvíslegar upplýsingar um aðlögunarhæf félagsleg samskipti meðal fólks. Reyndar geta einstaklingar unnið úr andliti á margvíslegan hátt til að flokka það eftir auðkenni þess, ásamt fjölda annarra lýðfræðilegra einkenna, eins og kyns, þjóðernis og aldurs. Sérstaklega er mikilvægt að viðurkenna mannlegt kyn þar sem fólk bregst við mismunandi eftir kyni. Að auki getur árangursrík kynflokkunaraðferð aukið afköst margra annarra forrita, þar á meðal persónuþekkingu og snjöll mann-tölvuviðmót.
Við höfum þróað reiknirit fyrir kynjaþekkingu byggt á AdaBoost reiknirit. Uppörvun hefur verið lögð til til að bæta nákvæmni hvers kyns námsalgríms. Í Boosting býr maður almennt til flokkara með nákvæmni á þjálfunarsettinu sem er meiri en meðalframmistöðu, og bætir síðan við nýjum íhlutaflokkurum til að mynda ensemble þar sem sameiginleg ákvörðunarregla hefur geðþótta mikla nákvæmni á þjálfunarsettinu. Í slíku tilviki segjum við að flokkunarframmistaðan hafi verið „boost“. Í yfirliti, tæknin þjálfar röð íhlutaflokkara með undirmengi af öllum þjálfunargögnum sem eru „upplýsandi“ miðað við núverandi hóp íhlutaflokkara. AdaBoost (Adaptive Boosting) er dæmigert dæmi um að auka nám. Í AdaBoost er hverju þjálfunarmynstri úthlutað þyngd sem ákvarðar líkur þess á að vera valið fyrir einhvern einstakan íhlutaflokkara. Almennt frumstillir maður lóðin yfir æfingasettið til að vera einsleitt. Í námsferlinu, ef þjálfunarmynstur hefur verið nákvæmlega flokkað, þá minnka líkurnar á því að það verði notað aftur í síðari íhlutaflokkara; öfugt, ef mynstrið er ekki nákvæmlega flokkað, þá aukast líkurnar á því að það verði notað aftur.
Kóðinn hefur verið prófaður með Stanford Medical Student Face Database og hefur náð framúrskarandi viðurkenningarhlutfalli upp á 89,61% (200 kvenmyndir og 200 karlkyns myndir, 90% notaðar til þjálfunar og 10% notaðar til prófunar, þess vegna eru 360 þjálfunarmyndir og 40 prófunarmyndir alls valið af handahófi og engin skörun er á milli þjálfunar- og prófmyndanna).
Vísitalaskilmálar: Matlab, uppspretta, kóða, kyn, viðurkenning, auðkenning, adaboost, karl, kona.
