دوره 17، شماره 3 - ( 9-1399 )                   جلد 17 شماره 3 صفحات 141-156 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Ahmadi M A, Dianat R. Introducing a method for extracting features from facial images based on applying transformations to features obtained from convolutional neural networks. JSDP. 2020; 17 (3) :141-156
URL: http://jsdp.rcisp.ac.ir/article-1-837-fa.html
احمدی مرتضی علی، دیانت روح الله. ارائه یک روش استخراج ویژگی از تصاویر چهره مبتنی بر اعمال تبدیل روی ویژگی‌‌های به‌‌دست‌‌آمده از شبکه‌‌های عصبی کانولوشن. پردازش علائم و داده‌ها. 1399; 17 (3) :141-156

URL: http://jsdp.rcisp.ac.ir/article-1-837-fa.html


گروه مهندسی IT، دانشکده فنی و مهندسی، دانشگاه قم
چکیده:   (226 مشاهده)

در این مقاله، یک روش استخراج ویژگی از داده ارائه شده است. ایده پیشنهادی، کلی بوده و قابل به‌کارگیری در استخراج ویژگی از هر نوع داده‏ است. در این روش، بردار ویژگی آزمون، به ویژگی‏‌های موجود در همه دسته‏‌ها اضافه و سپس تبدیل مناسبی روی مجموعه ویژگی‌‏های هر دسته (با احتساب بردار آزمون اضافه‌شده)، اعمال می‏‌شود. نحوه اعمال تبدیل و مجموعه اقدامات بعد از آن، به‌نحوی صورت می‏‌گیرد که موجب می‏‌شود ویژگی‏‌های موجود در دست‌ه‏ای که داده آزمون در‌واقع متعلق به آن است، دچار آسیب چندانی نشود و در مقابل، ویژگی‌‏های دسته‌‏هایی که داده آزمون متعلق به آنها نیست، دچار تخریب شوند. به‌طور شهودی می‏‌توان گفت، این امر، منجر به افزایش نرخ پذیرش به‌درستی (TP‏) در الگوریتم‌‏های دسته‌‏بندی یا شناسایی الگو می‏‌شود. به‌عنوان یک نمونه، ایده پیشنهادی، در مسأله شناسایی چهره با استفاده از شبکه‌‏های عصبی کانولوشن (CNN)، به‌عنوان یک پس‌‏پردازش و ویژگی‏‌های حاصل، به‌‏عنوان ویژگی‌‏های نهایی، برای عملیات شناسایی چهره به‌کار گرفته شد. نتایج پیاده‌سازی، نشان‏‌دهنده بهبود حدود %4/3 روی پایگاه داده LFW است.

متن کامل [PDF 4358 kb]   (62 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش تصویر
دریافت: 1397/1/21 | پذیرش: 1398/6/11 | انتشار: 1399/9/15 | انتشار الکترونیک: 1399/9/15

فهرست منابع
1. [1] A. Krizhevsky, I. Sutskever, and G. E. Hinton, "Imagenet classification with deep convolutional neural networks," in Advances in neural information processing systems, pp. 1097-1105, 2012.
2. [2] R. Brunelli and T. Poggio, "Face recognition: Features versus templates," IEEE transactions on pattern analysis and machine intelligence, vol. 15, no. 10, pp. 1042-1052, 1993. [DOI:10.1109/34.254061]
3. [3] R. J. Baron, "Mechanism of human facial recognition," International Journal of Man Machine Studies, vol. 15, pp. 137-178, 1981. [DOI:10.1016/S0020-7373(81)80001-6]
4. [4] D. Ghimire, J. Lee, Z.-N. Li, and S. Jeong, "Recognition of facial expressions based on salient geometric features and support vector machines," Multimedia Tools and Applications, vol. 76, no. 6, pp. 7921-7946, 2017 [DOI:10.1007/s11042-016-3428-9]
5. [5] L. Wiskott, N. Krüger, N. Kuiger, and C. Von Der Malsburg, "Face recognition by elastic bunch graph matching," IEEE Transactions on pattern analysis and machine intelligence, vol. 19, no. 7, pp. 775-779, 1997. [DOI:10.1109/34.598235]
6. [6] J. yves Bouguet, "Pyramidal implementation of the lucas kanade feature tracker," Intel Corporation, Microprocessor Research Labs, 2000.
7. [7] Y. Freund and R. E. Schapire, "A desicion-theoretic generalization of on-line learning and an application to boosting," in European conference on computational learning theory, 1995: Springer, pp. 23-37. [DOI:10.1007/3-540-59119-2_166]
8. [8] G.-B. Huang, H. Zhou, X. Ding, and R. Zhang, "Extreme learning machine for regression and multiclass classification," IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 42, no. 2, pp. 513-529, 2012. [DOI:10.1109/TSMCB.2011.2168604] [PMID]
9. [9] W. Ouarda, H. Trichili, A. M. Alimi, and B. Solaiman, "Face recognition based on geometric features using Support Vector Machines," in Soft Computing and Pattern Recognition (SoCPaR), 2014 6th International Conference of, 2014: IEEE, pp. 89-95. [DOI:10.1109/SOCPAR.2014.7007987]
10. [10] M. A. Turk and A. P. Pentland, "Face recognition using eigenfaces," in Computer Vision and Pattern Recognition, 1991. Proceedings CVPR'91., IEEE Computer Society Conference on, 1991: IEEE, pp. 586-591.
11. [11] H. Hotelling, "Analysis of a complex of statistical variables into principal components," Journal of educational psychology, vol. 24, no. 6, p. 417, 1933. [DOI:10.1037/h0071325]
12. [12] P. N. Belhumeur, J. P. Hespanha, and D. J. Kriegman, "Eigenfaces vs. fisherfaces: Recognition using class specific linear projection," IEEE Transactions on pattern analysis and machine intelligence, vol. 19, no. 7, pp. 711-720, 1997. [DOI:10.1109/34.598228]
13. [13] J. Wright, A. Y. Yang, A. Ganesh, S. S. Sastry, and Y. Ma, "Robust face recognition via sparse representation," IEEE transactions on pattern analysis and machine intelligence, vol. 31, no. 2, pp. 210-227, 2009. [DOI:10.1109/TPAMI.2008.79] [PMID]
14. [14] A. Wagner, J. Wright, A. Ganesh, Z. Zhou, H. Mobahi, and Y. Ma, "Toward a practical face recognition system: Robust alignment and illumination by sparse representation," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 34, no. 2, pp. 372-386, 2012. [DOI:10.1109/TPAMI.2011.112] [PMID]
15. [15] Y. Sun, X. Wang, and X. Tang, "Deep learning face representation from predicting 10,000 classes," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2014, pp. 1891-1898. [DOI:10.1109/CVPR.2014.244]
16. [16] Y. Sun, Y. Chen, X. Wang, and X. Tang, "Deep learning face representation by joint identification-verification," in Advances in neural information processing systems, 2014, pp. 1988-1996.
17. [17] Y. Sun, X. Wang, and X. Tang, "Deeply learned face representations are sparse, selective, and robust," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2015, pp. 2892-2900. [DOI:10.1109/CVPR.2015.7298907]
18. [18] Y. Sun, D. Liang, X. Wang, and X. Tang, "Deepid3: Face recognition with very deep neural networks," arXiv preprint arXiv:1502.00873, 2015.
19. [19] Y. Taigman, M. Yang, M. A. Ranzato, and L. Wolf, "Deepface: Closing the gap to human-level performance in face verification," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2014, pp. 1701-1708. [DOI:10.1109/CVPR.2014.220]
20. [20] O. M. Parkhi, A. Vedaldi, and A. Zisserman, "Deep Face Recognition," in BMVC, 2015, vol. 1, no. 3, p. 6. [DOI:10.5244/C.29.41]
21. [21] K. Simonyan and A. Zisserman, "Very deep convolutional networks for large-scale image recognition," arXiv preprint arXiv:1409.1556, 2014.
22. [22] F. S. Samaria and A. C. Harter, "Parameterisation of a stochastic model for human face identification," in Proceedings of 1994 IEEE workshop on applications of computer vision, 1994: IEEE, pp. 138-142.
23. [23] S. Milborrow, J. Morkel, and F. Nicolls, "The MUCT landmarked face database," Pattern Recognition Association of South Africa, vol. 201, no. 0, 2010.
24. [24] G. B. Huang, M. Mattar, T. Berg, and E. Learned-Miller, "Labeled faces in the wild: A database forstudying face recognition in unconstrained environments," in Workshop on faces in'Real-Life'Images: detection, alignment, and recognition, 2008.
25. [25] A. Vedaldi and K. Lenc, "Matconvnet: Convolutional neural networks for matlab," in Proceedings of the 23rd ACM international conference on Multimedia, 2015: ACM, pp. 689-692. [DOI:10.1145/2733373.2807412]
26. [26] GTDLBench. The Database of Faces (AT&T) [Online]. Available: https://git-disl.github.io/GTDLBench/datasets/att_face_dataset/.
27. [27] P. Grother and M. Ngan, "Performance of face identification algorithms," NIST Inter-agency Internal Report8009, 2014.
28. [28] R. A. Fisher, "The use of multiple measurements in taxonomic problems," Annals of eugenics, vol. 7, no. 2, pp. 179-188, 1936. [DOI:10.1111/j.1469-1809.1936.tb02137.x]
29. [29] S. Mika, G. Ratsch, J. Weston, B. Scholkopf, and K.-R. Mullers, "Fisher discriminant analysis with kernels," in Neural networks for signal processing IX: Proceedings of the 1999 IEEE signal processing society workshop (cat. no. 98th8468), 1999: Ieee, pp. 41-48.

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.