دانلود شبیه سازی مقاله کاربرد شبکه عصبی و ماشین بردار پشتیبان در تشخیص جنسیت

تشخیص جنسیت با شبکه عصبی

تمایز جنسیت، همواره نقش مهمی در بسیاری از جنبه های تعاملات یا ارتباطات اجتماعی با ماشین ها، ایفا کرده است. براساس اینکه آیا یک فرد، مرد است یا زن، یک سیستم تعاملی، متناسب با آن فرد می تواند عمل کند. دسته بندی جنسیت براساس تصاویر چهره، یک موضوع بسیار مطالعه شده در دید کامپیوتری می باشد. کاربردهای تشخیص جنسیت چهره از سیستم های تعامل انسان- کامپیوتر، جستجوی محتوایی تصویر، پایش ویدئویی و دیگر موارد، تنوع دارند. دسته بندی جنسیت براساس چهره، یک مسئله چالش برانگیز است، زیرا تصاویر چهره ممکن است براساس حالت چهره، نورپردازی و نورتابی، حالت ایستادن شخص و عوامل دیگر، تغییر کنند. رویکرد معمول برای تخمین جنسیت چهره، با استفاده از الگوریتم های یادگیری ماشینی نظارتی است. با توجه به ماهیت چندبعدی داده های تصویری واقعی، این الگوریتم ها، نیاز به مجموعه داده های بزرگ برای عملکرد کافی دارند. در زمینه بسیار مرتبط با تشخیص چهره، چندین مجموعه داده بزرگ، درحال حاضر ارائه شده اند که می توان مجموعه داده های «چهره های برچسب گذاری شده در Wild» (به اختصارLFW) و «چهره های یوتیوپ» را نام برد. چندین گام بسیار موثر برای عملیات های تایید، برداشته شده که از میزان دقت انسانی، فراتر رفته اند. اخیرا، گردآوری مخاطب، بخصوص به صورت مجانبی و آزاد برای تخمین سن و جنسیت، فراهم شده است. در برخی از پروژه ها، محققین اشاره کرده اند که دسته بندی جنسیت برروی مجموعه داده مخاطب (Adience)، به میزان قابل توجهی نسبت به مجموعه داده های دیگر برای دسته بندی جنسیت مانند تصاویر Gallagher از مجموعه گروه ها، دشوارتر است.

برای بررسی کاربردی بودن الگوریتم های یادگیری ماشینی موجود برای دسته بندی جنسیت چهره، یک سیستم یادگیری ماشینی ترکیبی را پیشنهاد می دهیم. روش پیشنهادی براساس ترکیب یک شبکه عصبی کانوالی (CNN) از پیش تعیین شده با یک «ماشین بردار پشتیبانی» (SVM) خطی، می باشد. یکی از انگیزه های اصلی استفاده از CNN ها برای تشخیص جنسیت، موفقیت چشمگیر آنهاست که برای تشخیص و تایید چهره، بطور گسترده نشان داده شده. معمولاً، دسته بندی کننده های SVM برای انجام تخمین جنسیت تصاویر، با تغذیه کردن توصیفگرهای تصویر مختلف، استفاده می شوند. اخیراً نشان داده شده که ویژگی های عمیق مدل های CNN، نماینده های انتزاعی از محتوای تصویر در خود دارند. طبق تحقیقات انجام شده، SVM برروی ویژگی های عمیق یک CNN، آموزش دیده است. علاوه بر آن، از «بیرون اندازی-SVM» استفاده می کنیم تا از اضافه برازش، اجتناب کنیم. در تلاش برای بهبود نرخ طبقه بندی دسته بندی کننده های SVM، CNN ها، تنظیم دقیق شدند. نشان داده شده که تنظیم دقیق یک CNN از پیش آموزش دیده، عملکرد بسیار خوب با مدت آموزش نسبتاً کوتاه، از خود نشان می دهد.

در این پروژه، کاربردی بودن شبکه های عصبی کانوالی عمیق برای تشخیص جنسیت چهره را مورد بررسی قرار دادیم. نشان دادیم که علیرغم ماهیت چالش برانگیز مسئله، سرعت های دسته بندی جدید با استفاده از زمان های آموزش نسبتاً کوتاه، قابل حصول است. برروی هر دو مجموعه داده ذکر شده، بهترین نتایج هنگام استفاده از شبکه های دقیقاً تنظیم شده، بدست آمد. نشان داده شده که اضافه نمونه گیری با میانگین گیری نمره های کلاس دسته کننده های نهایی، نرخ و سرعت دسته بندی را در همه موارد، بهبود می بخشند.

این شبیه سازی با استفاده از نرم افزار متلب (MATLAB) انجام شده و در ادامه نیز تعدادی از تصاویر مربوط به شبیه سازی قرار داده شده است: