| ورژن | 2.0 |
|---|---|
| ناشر | Luigi Rosa |
| رہائی کی تاریخ | 6 نومبر، 2012 |
| تاریخ شامل کی گئی | 6 نومبر، 2012 |
| OS کی ضروریات | Windows 2003, Windows Vista, Windows 98, Windows Me, Windows, Windows NT, Windows 2000, Windows 8, Windows Server 2008, Windows 7, Windows XP |
| تقاضے | Matlab |
| کل ڈاؤن لوڈ | 659 |
| قیمت | Free |
تفصیل
انسانی چہرہ لوگوں کے درمیان موافقت پذیر سماجی تعامل کے لیے مختلف قسم کی معلومات پر مشتمل ہے۔ درحقیقت، افراد کسی چہرے کو اس کی شناخت کے لحاظ سے درجہ بندی کرنے کے لیے مختلف طریقوں سے عمل کرنے کے قابل ہوتے ہیں، اس کے ساتھ متعدد دیگر آبادیاتی خصوصیات، جیسے جنس، نسل اور عمر۔ خاص طور پر، انسانی جنس کو پہچاننا ضروری ہے کیونکہ لوگ جنس کے مطابق مختلف ردعمل دیتے ہیں۔ اس کے علاوہ، صنفی درجہ بندی کا ایک کامیاب طریقہ کئی دیگر ایپلی کیشنز کی کارکردگی کو بڑھا سکتا ہے، بشمول شخص کی شناخت اور سمارٹ انسانی کمپیوٹر انٹرفیس۔
ہم نے AdaBoost الگورتھم کی بنیاد پر جنس کی شناخت کے لیے ایک الگورتھم تیار کیا ہے۔ کسی بھی دیے گئے سیکھنے کے الگورتھم کی درستگی کو بہتر بنانے کے لیے بوسٹنگ کی تجویز دی گئی ہے۔ بوسٹنگ میں ایک عام طور پر اوسط کارکردگی سے زیادہ ٹریننگ سیٹ پر درستگی کے ساتھ ایک درجہ بندی کرتا ہے، اور پھر ایک جوڑا بنانے کے لیے نئے اجزاء کی درجہ بندی کرتا ہے جس کے مشترکہ فیصلے کے اصول میں ٹریننگ سیٹ پر من مانی طور پر زیادہ درستگی ہوتی ہے۔ ایسی صورت میں، ہم کہتے ہیں کہ درجہ بندی کی کارکردگی کو "بوسٹ" کیا گیا ہے۔ مجموعی طور پر، تکنیک یکے بعد دیگرے اجزاء کی درجہ بندی کرنے والوں کو پورے تربیتی ڈیٹا کے ذیلی سیٹ کے ساتھ تربیت دیتی ہے جو اجزاء کی درجہ بندی کے موجودہ سیٹ کے پیش نظر "سب سے زیادہ معلوماتی" ہے۔ اڈا بوسٹ (اڈاپٹیو بوسٹنگ) بوسٹنگ لرننگ کی ایک عام مثال ہے۔ AdaBoost میں، ہر ٹریننگ پیٹرن کو ایک وزن تفویض کیا جاتا ہے جو کچھ انفرادی اجزاء کی درجہ بندی کرنے والے کے لیے اس کے منتخب ہونے کے امکان کا تعین کرتا ہے۔ عام طور پر، ایک تربیتی سیٹ میں وزن کو یکساں ہونے کے لیے شروع کرتا ہے۔ سیکھنے کے عمل میں، اگر ٹریننگ پیٹرن کو درست طریقے سے درجہ بندی کیا گیا ہے، تو اس کے بعد کے اجزاء کی درجہ بندی میں دوبارہ استعمال ہونے کا امکان کم ہو جاتا ہے۔ اس کے برعکس، اگر پیٹرن کو درست طریقے سے درجہ بندی نہیں کیا گیا ہے، تو اس کے دوبارہ استعمال ہونے کا امکان بڑھ جاتا ہے۔
اس کوڈ کا ٹیسٹ اسٹینفورڈ میڈیکل اسٹوڈنٹ فیس ڈیٹا بیس کے ساتھ کیا گیا ہے جس نے 89.61% کی ایک بہترین شناخت کی شرح حاصل کی ہے (200 خواتین کی تصاویر اور 200 مردانہ تصاویر، 90% تربیت کے لیے اور 10% ٹیسٹنگ کے لیے استعمال کی گئی ہیں، اس لیے یہاں 360 تربیتی تصاویر اور 40 ٹیسٹ امیجز ہیں۔ مجموعی طور پر تصادفی طور پر منتخب کیا گیا ہے اور تربیت اور ٹیسٹ امیجز کے درمیان کوئی اوورلیپ موجود نہیں ہے)۔
اشاریہ کی شرائط: متلاب، ماخذ، کوڈ، جنس، شناخت، شناخت، اڈابوسٹ، مرد، عورت۔
