| ਵਰਜਨ | 2.0 |
|---|---|
| ਪ੍ਰਕਾਸ਼ਕ | Luigi Rosa |
| ਰਿਹਾਈ ਤਾਰੀਖ | 6 ਨਵੰ 2012 |
| ਮਿਤੀ ਸ਼ਾਮਲ ਕੀਤੀ ਗਈ | 6 ਨਵੰ 2012 |
| ਓਸ ਜਰੂਰਤਾਂ | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| ਜਰੂਰਤਾਂ | Matlab |
| ਕੁੱਲ ਡਾਉਨਲੋਡਸ | 659 |
| ਮੁੱਲ | Free |
ਵੇਰਵਾ
ਮਨੁੱਖੀ ਚਿਹਰੇ ਵਿੱਚ ਲੋਕਾਂ ਵਿੱਚ ਅਨੁਕੂਲ ਸਮਾਜਿਕ ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ ਲਈ ਕਈ ਤਰ੍ਹਾਂ ਦੀ ਜਾਣਕਾਰੀ ਹੁੰਦੀ ਹੈ। ਵਾਸਤਵ ਵਿੱਚ, ਵਿਅਕਤੀ ਇੱਕ ਚਿਹਰੇ ਨੂੰ ਉਸਦੀ ਪਛਾਣ ਦੁਆਰਾ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਲਈ ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਦੇ ਯੋਗ ਹੁੰਦੇ ਹਨ, ਨਾਲ ਹੀ ਕਈ ਹੋਰ ਜਨਸੰਖਿਆ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਜਿਵੇਂ ਕਿ ਲਿੰਗ, ਨਸਲ ਅਤੇ ਉਮਰ। ਖਾਸ ਤੌਰ 'ਤੇ, ਮਨੁੱਖੀ ਲਿੰਗ ਦੀ ਪਛਾਣ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਲੋਕ ਲਿੰਗ ਦੇ ਅਨੁਸਾਰ ਵੱਖਰੇ ਤਰੀਕੇ ਨਾਲ ਜਵਾਬ ਦਿੰਦੇ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇੱਕ ਸਫਲ ਲਿੰਗ ਵਰਗੀਕਰਣ ਪਹੁੰਚ ਕਈ ਹੋਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਵਧਾ ਸਕਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਵਿਅਕਤੀ ਦੀ ਪਛਾਣ ਅਤੇ ਸਮਾਰਟ ਮਨੁੱਖੀ-ਕੰਪਿਊਟਰ ਇੰਟਰਫੇਸ ਸ਼ਾਮਲ ਹਨ।
ਅਸੀਂ AdaBoost ਐਲਗੋਰਿਦਮ ਦੇ ਆਧਾਰ 'ਤੇ ਲਿੰਗ ਪਛਾਣ ਲਈ ਇੱਕ ਐਲਗੋਰਿਦਮ ਵਿਕਸਿਤ ਕੀਤਾ ਹੈ। ਕਿਸੇ ਵੀ ਦਿੱਤੇ ਗਏ ਸਿੱਖਣ ਐਲਗੋਰਿਦਮ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਬੂਸਟਿੰਗ ਦਾ ਪ੍ਰਸਤਾਵ ਕੀਤਾ ਗਿਆ ਹੈ। ਬੂਸਟਿੰਗ ਵਿੱਚ ਇੱਕ ਆਮ ਤੌਰ 'ਤੇ ਔਸਤ ਪ੍ਰਦਰਸ਼ਨ ਤੋਂ ਵੱਧ ਸਿਖਲਾਈ ਸੈੱਟ 'ਤੇ ਸ਼ੁੱਧਤਾ ਦੇ ਨਾਲ ਇੱਕ ਵਰਗੀਫਾਇਰ ਬਣਾਉਂਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਇੱਕ ਜੋੜ ਬਣਾਉਣ ਲਈ ਨਵੇਂ ਕੰਪੋਨੈਂਟ ਵਰਗੀਫਾਇਰ ਜੋੜਦਾ ਹੈ ਜਿਸ ਦੇ ਸਾਂਝੇ ਫੈਸਲੇ ਦੇ ਨਿਯਮ ਵਿੱਚ ਸਿਖਲਾਈ ਸੈੱਟ 'ਤੇ ਮਨਮਾਨੇ ਤੌਰ 'ਤੇ ਉੱਚ ਸ਼ੁੱਧਤਾ ਹੁੰਦੀ ਹੈ। ਅਜਿਹੀ ਸਥਿਤੀ ਵਿੱਚ, ਅਸੀਂ ਕਹਿੰਦੇ ਹਾਂ ਕਿ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ "ਬੂਸਟ" ਕੀਤਾ ਗਿਆ ਹੈ. ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਵਿੱਚ, ਤਕਨੀਕ ਪੂਰੇ ਸਿਖਲਾਈ ਡੇਟਾ ਦੇ ਇੱਕ ਸਬਸੈੱਟ ਦੇ ਨਾਲ ਲਗਾਤਾਰ ਕੰਪੋਨੈਂਟ ਕਲਾਸੀਫਾਇਰ ਨੂੰ ਸਿਖਲਾਈ ਦਿੰਦੀ ਹੈ ਜੋ ਕਿ ਕੰਪੋਨੈਂਟ ਕਲਾਸੀਫਾਇਰ ਦੇ ਮੌਜੂਦਾ ਸੈੱਟ ਦੇ ਮੱਦੇਨਜ਼ਰ "ਸਭ ਤੋਂ ਵੱਧ ਜਾਣਕਾਰੀ ਭਰਪੂਰ" ਹੈ। AdaBoost (ਅਡੈਪਟਿਵ ਬੂਸਟਿੰਗ) ਬੂਸਟਿੰਗ ਲਰਨਿੰਗ ਦੀ ਇੱਕ ਖਾਸ ਉਦਾਹਰਣ ਹੈ। AdaBoost ਵਿੱਚ, ਹਰੇਕ ਸਿਖਲਾਈ ਪੈਟਰਨ ਨੂੰ ਇੱਕ ਭਾਰ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਕੁਝ ਵਿਅਕਤੀਗਤ ਭਾਗ ਵਰਗੀਕਰਣ ਲਈ ਚੁਣੇ ਜਾਣ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ, ਕੋਈ ਇੱਕਸਾਰ ਹੋਣ ਲਈ ਸਿਖਲਾਈ ਦੇ ਸੈੱਟ ਵਿੱਚ ਵਜ਼ਨ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ। ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ, ਜੇਕਰ ਇੱਕ ਸਿਖਲਾਈ ਪੈਟਰਨ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਵਰਗੀਕ੍ਰਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਤਾਂ ਇਸਦੇ ਬਾਅਦ ਵਾਲੇ ਹਿੱਸੇ ਵਰਗੀਕਰਣ ਵਿੱਚ ਦੁਬਾਰਾ ਵਰਤੇ ਜਾਣ ਦੀ ਸੰਭਾਵਨਾ ਘੱਟ ਜਾਂਦੀ ਹੈ; ਇਸ ਦੇ ਉਲਟ, ਜੇਕਰ ਪੈਟਰਨ ਨੂੰ ਸਹੀ ਤਰ੍ਹਾਂ ਵਰਗੀਕ੍ਰਿਤ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ, ਤਾਂ ਇਸਦੇ ਦੁਬਾਰਾ ਵਰਤੇ ਜਾਣ ਦੀ ਸੰਭਾਵਨਾ ਵਧ ਜਾਂਦੀ ਹੈ।
ਕੋਡ ਦੀ ਜਾਂਚ ਸਟੈਨਫੋਰਡ ਮੈਡੀਕਲ ਸਟੂਡੈਂਟ ਫੇਸ ਡੇਟਾਬੇਸ ਨਾਲ ਕੀਤੀ ਗਈ ਹੈ ਜਿਸ ਵਿੱਚ 89.61% (200 ਔਰਤ ਚਿੱਤਰ ਅਤੇ 200 ਪੁਰਸ਼ ਚਿੱਤਰ, 90% ਸਿਖਲਾਈ ਲਈ ਵਰਤੇ ਗਏ ਹਨ ਅਤੇ 10% ਟੈਸਟਿੰਗ ਲਈ ਵਰਤੇ ਗਏ ਹਨ, ਇਸਲਈ ਇੱਥੇ 360 ਸਿਖਲਾਈ ਚਿੱਤਰ ਅਤੇ 40 ਟੈਸਟ ਚਿੱਤਰ ਹਨ। ਕੁੱਲ ਮਿਲਾ ਕੇ ਬੇਤਰਤੀਬੇ ਤੌਰ 'ਤੇ ਚੁਣਿਆ ਗਿਆ ਹੈ ਅਤੇ ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟ ਚਿੱਤਰਾਂ ਵਿਚਕਾਰ ਕੋਈ ਓਵਰਲੈਪ ਮੌਜੂਦ ਨਹੀਂ ਹੈ)।
ਸੂਚਕਾਂਕ ਦੀਆਂ ਸ਼ਰਤਾਂ: ਮੈਟਲੈਬ, ਸਰੋਤ, ਕੋਡ, ਲਿੰਗ, ਮਾਨਤਾ, ਪਛਾਣ, ਅਡਾਬੂਸਟ, ਮਰਦ, ਔਰਤ।
