Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Thu thập tập dữ liệu huấn luyện lớn từ các hình ảnh khuôn mặt thực tế trên Facebook để phát triển bộ phân loại giới tính theo phương pháp bagging có trọng số
Tóm tắt
Nhiều bộ phân loại giới tính trước đây có vấn đề chung là độ chính xác thấp khi phân loại các hình ảnh khuôn mặt thực tế được chụp trong môi trường tự nhiên, do chúng được huấn luyện trong các môi trường hạn chế. Do đó, nghiên cứu này đề xuất việc thu thập nhanh chóng các hình ảnh khuôn mặt thực tế không kiểm soát từ Facebook để xây dựng tập dữ liệu huấn luyện và đề xuất bộ phân loại giới tính theo phương pháp bagging có trọng số, sử dụng tập dữ liệu từ Facebook nhằm tăng cường độ chính xác phân loại. Trong kế hoạch phân loại giới tính đề xuất, việc sử dụng các đặc trưng độc đáo được trích xuất từ các thuật toán LBP (Local Binary Patterns), sóng Gabor và HOG (Histogram of Oriented Gradients) được đưa ra. Ngoài ra, một cơ chế phân loại bagging có trọng số được đề xuất để bỏ phiếu cho phân loại giới tính cuối cùng. Bộ phân loại được phát triển cho thấy tỷ lệ chính xác tương đối cao là 94,68% khi sử dụng tập dữ liệu LFW (Labeled Faces in the Wild), một tập dữ liệu thử nghiệm đánh giá chung cho nhận diện khuôn mặt.
Từ khóa
Tài liệu tham khảo
Brell, J., Valdez, A.C., Schaar, A.K., Ziefle, M.: Gender Differences in Usage Motivation for Social Networks at Work. In: Zaphiris, P., Ioannou, A. (eds.) Lecture Notes in Computer Science. Springer, Berlin (2016)
Lee, W., Leung, C.K., Lee, J.H.: Mobile web navigation in digital ecosystems using rooted directed trees. IEEE Trans. Ind. Electron. 58(6), 2154–2162 (2011)
Ng, C. B., Tay, Y. H., and Goi, B. M.: Vision-based human gender recognition: a survey.In: Proceedings of the Pacific Rim International Conference on Artificial Intelligence, 335–346 (2012)
Erdoğmus, N., Vanoni, M., and Marce, S.: Within- and cross- database evaluations for face gender classification via BeFIT Protocols. In: Proceedings of international Workshop on Multimedia Signal Processing, 1–6 (2014)
Aghajanian, J., et al.: Patch-based within-object classification. In: Proceedings of IEEE International Conference on Computer Vision, 1125–1132 (2009)
Casas, P. D., et al.: Single-and cross-database benchmarks for gender classification under unconstrained settings. In: Proceedings of IEEE International Conference on Computer Vision, 2152–2159 (2011)
Gallagher, A. C. and Chen, T.: Understanding images of groups of people. In: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 256–263 (2009)
Ahn, H., et al.: Generating new ground truth data by editing previous data from integrated video annotation database. In: Proceedings of the 2015 joint international conference on BIGDAS and ICDIM, 255–259 (2015)
Huang, G. B., et al.: Labeled faces in the wild: a database for studying face recognition in unconstrained environments, UMass Amherst Technical Report, 7–49 (2007)
Gehrig, T., Steiner, M., and Ekenel, H. K.: Draft: evaluation guidelines for gender classification and age estimation. http://fipa.cs.kit.edu/download/befit-evaluation_guidelines.pdf (2011). Accessed 6 July 2016
Viola, P., Jones, M.: Rapid object detection using a boosted cascade of simple features. In: Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Vol. 1, 511–518 (2001)
Ricanek, K., Tesafaye, T.: Morph: a longitudinal image database of normal adult age-progression.In: Proceedings of international conference on automatic face and gesture recognition, 341–345 (2006)
Mäkinen, E., Raisamo, R.: An experimental comparison of gender classification methods. Pattern Recogn. Lett. 29(10), 1544–1556 (2008)
Phillips, P.J., et al.: The FERET database and evaluation procedure for face recognition algorithms. Image Vis. Comput. 16(5), 295–306 (1998)
Ojala, T., Pietikäinen, M., Harwood, D.: A comparative study of texture measures with classification based on featured distribution. Pattern Recogn. Lett. 29(1), 51–59 (1996)
Daugman, J.G.: Complete discrete 2-D gabor transforms by neural networks for image analysis and compression. IEEE Trans. Acoust Speech Signal Proc. 36(7), 1169–1179 (1988)
Dalal, N., Triggs, B.: Histograms of oriented gradients for human detection. Proc. IEEE Confer. Comput. Vis. Pattern Recogn. 2, 886–893 (2005)
Ahonen, T., Hadid, A., Pietikainen, M.: Face description with local binary patterns: application to face recognition. IEEE Trans. Pattern Anal. Mach. Intell. 28(12), 2037–2041 (2006)
Ojala, T., Pietikäinen, M., Mäenpää, T.: Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Trans. Pattern Anal. Mach. Intell. 24(7), 971–987 (2002)
Shen, L., Bai, L., Fairhurst, M.: Gabor wavelets and general discriminant analysis for face identification and verification. Image Vis. Comput. 25(5), 553–563 (2007)
Shen, L., Bai, L.: A review on Gabor wavelets for face recognition. Pattern Anal. Appl. 9(2), 273–292 (2006)
Albiol, A., et al.: Face recognition using HOG-EBGM. Pattern Recogn. Lett. 29(10), 1537–1543 (2008)
Baggio, D.L.: Mastering OpenCV with Practical Computer Vision Projects. Packt Publishing, Birmingham (2012)
Uřičář, M., Franc, V., and Hlaváč, V.: Detector of facial landmarks learned by the structured output SVM. In: Proceedings of the 7th international conference on computer vision theory and applications, Vol. 1, 547–556 (2012)
Valentini, G., Dietterich, T.G.: Bias-variance analysis of support vector machines for the development of SVM-based ensemble methods. J. Mach. Learn. Res. 5, 725–775 (2004)
Chang, C., Lin, C.: LIBSVM: a library for support vector machines. ACM Trans. Intell. Syst. Technol. 2(3), 1–27 (2011)