展开

关键词

BP神经网络识别性别

1. 数据读入 function [ data,label ] = getdata( xlsfile ) % [data,label]=getdata('se...

1.8K100

基于MXNET实现的年龄性别识别

年龄性别识别 年龄性别识别,基于insightface功能模块开发的,支持多张人脸同时检测和识别。 [140-160] Speed: 517.80 samples/sec acc=0.722266 MAE=6.976172 CUM_5=0.437500 评估 训练结束之后,执行下面的命令评估模型的识别准确率 100%|██████████| 1032/1032 [00:06<00:00, 153.75it/s] 性别准确率:0.972868 年龄准确率:0.761628 预测 使用训练好的模型或者笔者提供的模型执行年龄性别识别 ,通过指定图像文件路径完成识别。 python infer.py --image=test.jpg 识别输出结果: 第1张人脸,位置(160, 32, 204, 84), 性别:男, 年龄:30 第2张人脸,位置(545, 162, 579

20720
  • 广告
    关闭

    腾讯云校园大使火热招募中!

    开学季邀新,赢腾讯内推实习机会

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    虹软发布免费人脸识别SDK:支持年龄、性别识别

    AlphaGo拔掉网线也强大、iPhone X没有网络依旧可解锁,在国内虹软则免费开放了其支持离线的人脸识别技术,而且除了检测、跟踪、识别功能,现在也支持对年龄与性别识别。 ? 来想象一下,离线的人脸识别引擎可以在哪些场景具有优势: ? 机器人识别人物:无需网咯,机器人可以识别家人、客户、识别人物性别、年龄,从而提供不一样的差异化服务,喊一声阿姨、叫一声小朋友、欢迎VIP用户是不是更为亲切呢。 智能家居:人脸门锁,人脸灯控、人脸音响已不用多说,您可能有更多想象 社区监控:社区门禁、安保报警、黑名单监控,人脸识别打造智慧社区 …… 面对人脸识别应用的深入,现在算法与行业事实上都已有了足够的准备,

    1.6K90

    人脸实践篇 | 基于Caffe的年龄&性别识别

    ,在性别识别中融入信息论概念,对PCA、LDA等经典识别算法进行简化,在简化过程中根据信息熵、互信息量等指标提出一套特征选择理论。 基于形状特征和深度神经网络的现实人脸性别分类,先对人脸进行对齐操作,用深度网络的方法进行分类,在LFW数据库的非正向人脸样本部分做实验,识别率可达到89.3%。 性别识别 性别识别是利用计算机视觉来辨别图像中的人脸性别属性。多年来,人脸性别因为实际场景的需求,如在身份认证、人机接口、视频检索以及机器人视觉中的潜在应用而备受关注。 性别识别是一个复杂的大规模二分类问题,分类器将数据录入并划分男女性别。目前性别识别方法主要有:基于特征脸的性别识别算法(等传统方法)及基于深度学习方法。 ? 基于特征脸的性别识别算法 基于特征脸的性别识别算法主要是使用PCA。在计算过程中通过消除数据中的相关性,将高维图像降低到低维空间,而训练集中的样本则被映射成低维空间中的一点。

    1.3K40

    人脸识别错误与性别分类错误相同吗?(CS)

    本文首次探讨了人脸分析算法错误分类的图像(例如,性别分类)是否更有可能或更少地参与导致人脸识别错误的图像对。 我们分析了三种不同的性别分类算法(一种开源和两种商业)和两种人脸识别算法(一种开源和一种商业)在代表四个人口统计组(非裔美国女性和男性,白人女性和男性)的图像集上的结果。 对于冒名顶替者图像对,我们的结果显示,一个图像有性别分类错误的对比两个图像都有正确性别分类的对有更好的冒名顶替者分布,因此不太可能产生错误的匹配错误。 因此,与生成正确性别分类的图像相比,生成性别分类错误的图像确实产生了不同的识别错误模式,更好的(假匹配)和更坏的(假非匹配)。 人脸识别错误与性别分类错误相同吗.pdf

    21520

    【源码】常用的人脸识别数据库以及上篇性别识别源码

    上一篇《使用ML.NET模型生成器来完成图片性别识别》发布后,很多朋友希望得到源码,这里附上地址: https://github.com/xin-lai/GenderRecognition 常用的人脸数据库 其中的姿态和光照变化图像也是在严格控制的条件下采集的,目前已经逐渐成为人脸识别领域的一个重要 的测试集合。 该人脸库在人脸识别研究的早期经常被人们采用,但由于变化模式较少,多数系统的识别率均可以达到 90%以上,因此进一步利用的价值已经不大。 同时该数据集还提供了性别,是否带眼镜、是否遮挡、是否是夸张的表情等辅助信息。 都是从IMDb和维基百科上爬取的名人图片,根据照片拍摄时间戳和出生日期计算得到的年龄信息,以及性别信息,对于年龄识别性别识别的研究有着重要的意义,这是目前年龄和性别识别最大的数据集。

    89220

    【前沿】见人识面,TensorFlow实现人脸性别年龄识别

    【导读】近期,浙江大学学生Boyuan Jiang使用TensorFlow实现了一个人脸年龄和性别识别的工具,首先使用dlib来检测和对齐图片中的人脸,然后使用CNN深度网络来估计年龄和性别。 TensorFlow实现的人脸性别/年龄识别 这是一个人脸年龄和性别识别的TensorFlow工具,首先使用dlib来检测和对齐图片中的人脸,然后使用CNN深度网络来估计年龄和性别

    3.9K60

    识别计算机组织中普遍存在的性别偏见

    我们设计了一个在线调查,以了解当代计算机组织中性别偏见的四个维度的现状。我们的初步结果发现,近三分之一的受访者表示自己曾在工作中遭遇过性别偏见。 识别计算机组织中普遍存在的性别偏见.pdf

    6920

    使用ML.NET模型生成器来完成图片性别识别

    接下来,我们将使用此模型生成器来生成图片性别生成的代码。 生成图片性别识别的代码 主体步骤如下所示: 1.创建控制台项目,然后添加【机器学习】 ?

    54410

    MySQL练习五:变更性别

    给定一个 salary 表,如下所示,有 m = 男性 和 f = 女性 的值。交换所有的 f 和 m 值(例如,将所有 f 值更改为 m,反之亦然)。要求只使...

    14910

    研究称性别不均衡或导致人工智能持有性别偏见

    中新社记者 杜洋 摄 Ernst&Young调查湾区将近200名人工智能专家发现,有56%的人工智能专家认为,人才短缺是企业结合人工智能技术的最大障碍,其中41%的专家忧心人工智能领域的性别不均衡问题, 可能造成训练出来的人工智能持有性别偏见。 虽然人才短缺与性别不均持续是企业发展人工智能的障碍,调查也发现,企业对人工智能技术的态度朝正面发展,2017年调查的企业有17%正在评估如何结合人工智能科技,26%正在领航计划(pilot program

    26650

    数据集 | 性别分类数据集

    14030

    谷歌新的AI笑容检测器可以识别种族和性别

    计算机视觉在识别不同的面部表情方面越来越好,但对于那些在训练数据集中没有充分表现的特定群体,比如种族少数民族或具有雌雄同体特征的女性,算法仍然表现不佳。 谷歌研究人员在arXiv 发表的一篇新论文,通过在模型中包含和训练种族与性别分类器,改进了最先进的微笑检测算法。种族分类器接受了四个种族(亚洲人,黑人,西班牙人,白人)和两种性别的分组训练。 谷歌团队的结果证明,训练种族或性别分类器所付出的努力实际上可以减少偏见问题。研究人员还使用了“性别1”和“性别2”这样的分类,以避免在任何可能的情况下引入无意识和社会偏见。 尽管有了令人鼓舞的结果,并且注意到了所有形式的偏见,但是研究人员在他们的论文中包含了“道德问题”部分,努力指出,他们的工作并不是为了“激励种族和性别识别作为最终目标”,他们还指出,对于打破种族分类,“黄金标准 ”并不存在,而性别在未来的工作中可能被视为一个范围,而不是一个非此即彼的状态。

    65470

    人工智能的“性别”研究

    如果人工智能是人类智能的模拟,那么它模拟的是谁,它有性别吗? 无论你认为性别是由一个人所处环境和所受文化构成的社会结构,还是从本质论角度来看的生物性决定因素,亦或者,是坚持个体差异理论决定的,怎样都好,不可否认的是,性别很重要。 从事某一职业的机会,我们的汽车导航系统是否识别或忽略我们的语音命令,性别都占据着一定的影响。在人工智能研究领域,女性化身最常用来扮演虚拟助手。这使得一种观点永久化,即帮助类角色最好由女性来扮演。 但是,鉴于目前的性别差距,这并不是一个简单的轻松任务。 在全球范围内,女性在工程和信息技术教室和工作场所的比例偏低,在印度约为30%,在其他国家则明显更低;这导致产品和技术的设计大多以男人为本。

    32220

    ​LeetCode刷题实战627:变更性别

    今天和大家聊的问题叫做 变更性别,我们先来看题面: https://leetcode.cn/problems/swap-salary/ 请你编写一个 SQL 查询来交换所有的 'f' 和 'm' (即

    4710

    机器学习—通过 APP 预测用户性别

    大意是根据用户所安装的 APP (加密)预测用户的性别,训练数据标记 label (性别),典型的监督学习方案。 数据描述 下载之后,解压成为文本文件。 第一列是用户编号(已经脱敏,转化成1 ~1,200,000的编号) 第二列是用户的性别 (male/female) 第三列是用户的移动设备类型 第四列是用户的 APP 列表,每个 APP 已经脱敏 性别是结果数据。 方案 首先分析数据,一共有机型、APP、区域三个维度。 性别可能对 APP 和机型有偏好,但是不能对区域有偏好,而是不同的区域可能对 APP 有不同的偏好,比如某省用户偏爱直播,某省用户偏爱交友等等。 技术方案:Python + scikit-learn + pandas + numpy 环境搭建使用 Anaconda 代码地址 项目难点 项目困难主要出现在 APP 降维,也就是判断哪些 APP 与性别相关

    26120

    NLTK-006:分类文本(性别鉴定)

    性别鉴定: 在我们之间的名字语料库中,包括了8000个按性别分类的名字。 test_set)) #使用测试集 # accuracy 准确率,对于给定的测试数据集,分类器正确分类的样本数和总样本数之比 输出结果约为: 0.77 最后我们可以检查分类器,确定哪些特征对于区分名字的性别是最有效的 举个例子: 以上例为基础,一个过拟合性别特征提取器。 train_set) print(nltk.classify.accuracy(classifier,devtest_set)) 输出得到的准确率是 0.75 使用开发测试集,我们可以生成一个分类器预测名字性别时的错误列表

    8710

    数据集 | 性别(按名称)数据集

    该数据集将这些时间段内男婴和女婴的名字的原始计数结合在一起,然后计算出给定总数的名字的概率。来源数据集来自美国,英国,加拿大,澳大利亚等国家的政府机构。

    8810

    Java生成随机姓名、性别和年龄

    // 姓氏随机生成 String familyName = randInfo.randFamilyName(); // 名字依托于性别产生

    9420

    OpenCV实现年龄与性别预测

    欢迎星标或者置顶【OpenCV学堂】 概述 前面我写了很多篇关于OpenCV DNN应用相关的文章,这里再来一篇文章,用OpenCV DNN实现一个很有趣好玩的例子,基于Caffe的预训练模型实现年龄与性别预测 dl=0" 上述两个模型一个是预测性别的,一个是预测年龄的,性别预测返回的是一个二分类结果 Male Female 年龄预测返回的是8个年龄的阶段! 实现步骤 完整的实现步骤需要如下几步: 预先加载三个网络模型 打开摄像头视频流/加载图像 对每一帧进行人脸检测 - 对检测到的人脸进行性别与年龄预测 - 解析预测结果 - 显示结果 代码实现详解 cv.rectangle(frameOpencvDnn, (x1, y1), (x2, y2), (0, 255, 0), int(round(frameHeight/150)), 8) 性别与年龄预测

    1.1K30

    相关产品

    • 文字识别

      文字识别

      文字识别(OCR)基于腾讯优图实验室世界领先的深度学习技术,将图片上的文字内容,智能识别成为可编辑的文本。OCR 支持身份证、名片等卡证类和票据类的印刷体识别,也支持运单等手写体识别,支持提供定制化服务,可以有效地代替人工录入信息。

    相关资讯

    热门标签

    活动推荐

    扫码关注腾讯云开发者

    领取腾讯云代金券