Gender Recognition System

説明

人間の顔には、人々の適応的な社会的相互作用のためのさまざまな情報が含まれています。実際、個人はさまざまな方法で顔を処理して、性別、民族性、年齢などの他の多くの人口統計学的特徴とともに、そのアイデンティティーによって分類することができます。特に、性別によって反応が異なるため、人間の性別を認識す​​ることは重要です。さらに、性別分類のアプローチが成功すれば、人物認識やスマートな人間とコンピューターのインターフェースなど、他の多くのアプリケーションのパフォーマンスを向上させることができます。

AdaBoost アルゴリズムに基づく性別認識のアルゴリズムを開発しました。ブースティングは、特定の学習アルゴリズムの精度を向上させるために提案されています。ブースティングでは、通常、トレーニング セットの精度が平均パフォーマンスよりも高い分類器を作成し、新しいコンポーネント分類器を追加して、トレーニング セットで任意に高い精度を持つ結合決定規則を持つアンサンブルを形成します。このような場合、分類性能が「ブーストされた」と言えます。概説すると、この手法は、現在のコンポーネント分類子のセットを考慮して「最も有益な」トレーニング データ全体のサブセットを使用して、連続するコンポーネント分類子をトレーニングします。 AdaBoost (Adaptive Boosting) は Boosting 学習の典型的な例です。 AdaBoost では、各トレーニング パターンに重みが割り当てられ、個々のコンポーネント分類器に対して選択される確率が決まります。一般に、トレーニング セット全体の重みを均一になるように初期化します。学習プロセスでは、トレーニング パターンが正確に分類されている場合、後続のコンポーネント分類器で再度使用される可能性が低くなります。逆に、パターンが正確に分類されていない場合は、再度使用される可能性が高くなります。

このコードは、Stanford Medical Student Face Database でテストされ、89.61% という優れた認識率を達成しました (200 の女性画像と 200 の男性画像、90% がトレーニングに使用され、10% がテストに使用されるため、360 のトレーニング画像と 40 のテスト画像があります)。全体でランダムに選択され、トレーニング画像とテスト画像の間に重複はありません)。

インデックス用語: Matlab、ソース、コード、性別、認識、識別、adaboost、男性、女性。