Gender Recognition System

وصف

يحتوي الوجه البشري على مجموعة متنوعة من المعلومات للتفاعلات الاجتماعية التكيفية بين الناس. في الواقع ، يستطيع الأفراد معالجة الوجه بعدة طرق لتصنيفه حسب هويته ، إلى جانب عدد من الخصائص الديموغرافية الأخرى ، مثل الجنس والعرق والعمر. على وجه الخصوص ، يعتبر الاعتراف بالجنس البشري أمرًا مهمًا لأن الناس يستجيبون بشكل مختلف وفقًا للجنس. بالإضافة إلى ذلك ، يمكن لنهج التصنيف الجنساني الناجح أن يعزز أداء العديد من التطبيقات الأخرى ، بما في ذلك التعرف على الأشخاص والواجهات الذكية بين الإنسان والحاسوب.

لقد قمنا بتطوير خوارزمية للتعرف على الجنس بناءً على خوارزمية AdaBoost. تم اقتراح التعزيز لتحسين دقة أي خوارزمية تعلم معينة. في Boosting ، ينشئ المرء بشكل عام مصنفًا بدقة على مجموعة التدريب أكبر من متوسط ​​الأداء ، ثم يضيف مصنفات مكونات جديدة لتشكيل مجموعة تتمتع قاعدة القرار المشترك الخاصة بها بدقة عالية بشكل تعسفي على مجموعة التدريب. في مثل هذه الحالة ، نقول إنه تم "تعزيز" أداء التصنيف. بشكل عام ، تقوم التقنية بتدريب المصنفات المكونة المتتالية مع مجموعة فرعية من بيانات التدريب الكاملة "الأكثر إفادة" بالنظر إلى المجموعة الحالية من المصنفات المكونة. AdaBoost (Adaptive Boosting) هو مثال نموذجي لتعزيز التعلم. في AdaBoost ، يتم تعيين وزن لكل نمط تدريب يحدد احتمالية اختياره لبعض مصنفات المكونات الفردية. بشكل عام ، يقوم المرء بتهيئة الأوزان عبر مجموعة التدريب لتكون موحدة. في عملية التعلم ، إذا تم تصنيف نمط التدريب بدقة ، فإن فرصة استخدامه مرة أخرى في مصنف مكون لاحق تقل ؛ على العكس من ذلك ، إذا لم يتم تصنيف النمط بدقة ، فستزداد فرصة استخدامه مرة أخرى.

تم اختبار الكود باستخدام قاعدة بيانات وجه الطلاب الطبية بجامعة ستانفورد ، حيث حقق معدل تمييز ممتاز بنسبة 89.61٪ (200 صورة أنثى و 200 صورة ذكور ، 90٪ مستخدم للتدريب و 10٪ مستخدم للاختبار ، ومن ثم هناك 360 صورة تدريبية و 40 صورة اختبار في المجموع تم اختياره عشوائيًا ولا يوجد تداخل بين صور التدريب والاختبار).

مصطلحات الفهرس: Matlab ، المصدر ، الكود ، الجنس ، الاعتراف ، التعريف ، adaboost ، ذكر ، أنثى.