هدف ما تشخیص چهره با استفاده از یادگیری دیکشنری هسته گسترش‌یافته 

الگوریتم‌های تجزیه و تحلیل تفکیک هسته[۱] و دسته بندی کننده نمایش دهنده تنک[۲] برای عملیات تشخیص چهره توانسته اند به نتایج بسیار خوبی دست یابند. الگوریتم دسته بندی کننده نمایش دهنده تنک در حالاتی که تصویر مسدود شده بسیار خوب عمل کرده در حالی که الگوریتم تجزیه و تحلیل هسته در حالاتی که تغییرات درون کلاسی زیاد است بسیار خوب عملی می‌کند. در این گزارش روشی مبتنی بر دیکشنری هسته گسترش‌یافته ارائه خواهد شد که در آن به صورتی بهینه دو روش تجزیه و تحلیل تفکیک هسته و دسته بندی کننده نمایش دهنده تنک به صورت کاملا بهینه ترکیب شده اند. در این روش در ابتدا چندین جز اصلی هسته [۳] از انواع مختلف مسدود شدن تصویر را به مدل آموزش می‌دهیم که آنها به خوبی می‌توانند انواع مختلف مسدود شدن تصویر را مدل کنند.

در مرحله بعد مدل مسدود شدن توسط الگوریتم تجزیه و تحلیل تفکیک هسته طرح ریزی شده و دیکشنری هسته گسترش یافته تولید می‌شود. در نهایت نیز از دسته بندی کننده نمایش دهنده تنک ساختاریافته برای دسته بندی کلاس‌ها استفاده می‌کنیم. همچنین دیکشنری هسته محاسبه شده را به یک دیکشنری هسته چند هسته‌ای گسترش خواهیم داد تا بتوانیم به کمک آن انواع مختلف ویژگی‌ها را در سطح هسته استخراج کنیم.آزمایش‌های انجام شده نشان می‌دهد که روش ارائه شده نه تنها در تصاویر مسدود شده بلکه در انواع تصاویر مختلف می‌تواند به نتایج بسیار بهتری نسبت به سایر روش‌های موجود دست یابد.

نتیجه گیری:

همانطور که دیدیم روش ارائه شده توانست در انواع حالات مختلف تصویر به نتایج بسیار بهتری نسبت به سایر روش‌های به روز موجود دست یابد. بر همین اساس چندین نتیجه مختلف می‌توان از این کار گرفت که عبارتند از:

• در مقایسه با روش‌های تجزیه و تحلیل تفکیک هسته، دسته بندی کننده نمایش دهنده تنک و همچنین دسته بندی کننده نمایش دهنده تنک توسعه یافته الگوریتم ارائه شده توانست به کارایی بهتری برای مسدود شدن و تغیرات درون کلاسی دست یابد.
• در مقایسه با روش‌های مبتنی بر هسته همانند MOST، روش ارائه شده توانست در هم در تصاویر مسدود شده و هم در تصاویر غیر مسدود به کارایی بهتری دست یابد.

تشخیص چهره با استفاده از یادگیری دیکشنری هسته گسترش‌یافته

Learning Kernel Extended Dictionary for Face Recognition

Published in:  IEEE Transactions On Neural Networks And Learning Systems

Date of Publication: 2016

برای مشاهده مقاله ؛ تصویر فوق را کلیک کنید تا دانلود شود

مشخصات شبیه ساز:

کارشناسی ارشد هوش مصنوعی

دانشگاه امیر کبیر

محتویات:

• اصل مقاله
• پیاده سازی با Matlab
• گزارش کامل مقاله و توضیحات فارسی و نتایج (Word)

دانلود فایل

[۱]Kernel discriminant analysis

[۲]Sparse Representation classifier

[۳] Kernel principal component

[۴]Kernel extended dictionary