fa بهبود بازشناسی چهره با یک تصویر از هر فرد به روش تولید تصاویر مجازی توسط شبکه‌های عصبی مقالات پردازش گفتار Paper پژوهشي Research <a name="up" style="color: rgb(0, 204, 0); font-family: tahoma; text-decoration: none; font-size: 12px; font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: normal; letter-spacing: normal; orphans: 2; text-align: -webkit-center; text-indent: 0px; text-transform: none; white-space: normal; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: rgb(255, 255, 255);"></a> <table border="0" cellpadding="0" cellspacing="0" height="500" width="900"> <tbody> <tr> <td bgcolor="#ffffff" dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="0" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="0" dir="ltr" height="500" width="100%"> <tbody> <tr> <td dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="5" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <center> <center> <table border="0" cellpadding="0" cellspacing="0" dir="ltr" height="30" width="100%"> <tbody> <tr> <td bgcolor="#FFFFFF" dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <table border="0" cellpadding="10" cellspacing="0" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <p align="justify" style="line-height: 18px;"><a name="up" style="color: rgb(0, 204, 0); font-family: tahoma; text-decoration: none; font-size: 12px; font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: normal; letter-spacing: normal; orphans: 2; text-align: -webkit-center; text-indent: 0px; text-transform: none; white-space: normal; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: rgb(255, 255, 255);">در این مقاله با استفاده از تولید تصاویر مجازی به کمک شبکه های عصبی، مسئله بازشناسی چهره با یک تصویر از هر فرد مورد توجه قرار گرفته است. برای جداسازی اطلاعات شخص از حالت و تخمین مانیفولدهای زیرفضاهای مربوطه، از یک شبکه عصبی تحلیل&not;گر غیرخطی اطلاعات چهره استفاده شده است. به منظور افزایش تعداد نمونه&not;های تعلیم در شبکه طبقه&not;بندی کننده، به کمک مانیفولدهای تخمین زده شده، تصاویر مجازی از چهره&not;های نرمال موجود در پایگاه داده اصلی تولید شده است. با طراحی ساختارهای مختلفی از شبکه&not;های عصبی مصنوعی به منظور استخراج مؤلفه&not;های زیرفضاهای اطلاعات فرد و حالت، کیفیت چهره&not;های مجازی و درنتیجه درصد صحت بازشناسی در شبکه طبقه&not;بندی کننده بهبود می&not;یابد. برای تخمین بهتر مانیفولدهای اطلاعات شخص و بهبود قدرت تعمیم، یک روش تعلیم برمبنای خوشه-بندی بدون سرپرستی ارائه شده است. با به کارگیری این روش و تعلیم شبکه طبقه&not;بندی کننده به کمک تصاویر مجازی حاصل، درصد صحت بازشناسی %63/83 روی دادگان تست حاصل شده که نسبت به حالت تعلیم شبکه طبقه&not;بندی کننده فقط با تصاویر نرمال دارای بهبود %73/12 است.</a></p> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </center> </center> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> <a name="up" style="color: rgb(0, 204, 0); font-family: tahoma; text-decoration: none; font-size: 12px; font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: normal; letter-spacing: normal; orphans: 2; text-align: -webkit-center; text-indent: 0px; text-transform: none; white-space: normal; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: rgb(255, 255, 255);"></a> <table border="0" cellpadding="0" cellspacing="0" height="500" width="900"> <tbody> <tr> <td bgcolor="#ffffff" dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="0" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="0" dir="ltr" height="500" width="100%"> <tbody> <tr> <td dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="5" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <center> <center> <table border="0" cellpadding="0" cellspacing="0" dir="ltr" height="30" width="100%"> <tbody> <tr> <td bgcolor="#FFFFFF" dir="ltr" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <table border="0" cellpadding="10" cellspacing="0" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <p align="justify" style="line-height: 18px;"><a name="up" style="color: rgb(0, 204, 0); font-family: tahoma; text-decoration: none; font-size: 12px; font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: normal; letter-spacing: normal; orphans: 2; text-align: -webkit-center; text-indent: 0px; text-transform: none; white-space: normal; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: rgb(255, 255, 255);">This paper deals with the problem of face recognition from a single image per person by producing virtual images using neural networks. To this aim, the person and variation information are separated and the associated manifolds are estimated using a nonlinear neural information processing model. For increasing the number of training samples in neural classifier, virtual images are produced for the neutral pose samples in a gallery dataset. By designing various structures of neural networks, the quality of virtually produced images, and consequently the recognition accuracy rate are improved. To obtain person information manifold codes giving better performance in describing the other persons and in generalizing, a learning method based on unsupervised clustering is presented. Applying this learning method and training classifier with virtual images, gives an accuracy rate of 83.63% on test dataset, which shows 12.73% improvement in comparison with training classifier using neutral pose samples. </a></p> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </center> </center> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> بازشناسی چهره, یک تصویر از هر فرد, تصاویر مجازی, یادگیری مانیفولد, شبکه عصبی, تنوعات حالت Face recognition, single image per person, virtual images, manifold learning, neural network, expression variant faces 33 44 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1367-1&slc_lang=fa&sid=1 fatemeh abdolali فاطمه عبدالعلی abdolali.fatemeh@gmail.com 10031947532846004236 10031947532846004236 Yes امیر کبیر neda dadashi ندا داداشی ndadashi@gmail.com 10031947532846004237 10031947532846004237 No SeyyedAli SeyyedSalehi سیدعلی سیدصالحی ssalehi@aut.ac.i 10031947532846004238 10031947532846004238 No دانشگاه صنعتی امیرکبیر