دوره 12، شماره 1 - ( 3-1394 )                   جلد 12 شماره 1 صفحات 16-3 | برگشت به فهرست نسخه ها

XML English Abstract Print


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

Seyyedsalehi S Z, Seyyedsalehi S A. Improving the nonlinear manifold separator model to the face recognition by a single image of per person. JSDP 2015; 12 (1) :3-16
URL: http://jsdp.rcisp.ac.ir/article-1-181-fa.html
سیدصالحی سیده زهره، سیدصالحی سیدعلی. بهبود مدل تفکیک‌کننده منیفلدهای غیرخطی به‌منظور بازشناسی چهره با یک تصویر از هر فرد. پردازش علائم و داده‌ها 1394; 12 (1) :16-3

URL: http://jsdp.rcisp.ac.ir/article-1-181-fa.html


چکیده:   (6902 مشاهده)
یادگیری منیفلد یکی از روش‌های کاهش بعد مطرح به‌منظور استخراج ساختار غیرخطی داده با ابعاد بالا می‌باشد. تاکنون روش‌های زیادی به این منظور ارائه شده‌اند. در تمام این روش‌ها یک منیفلد به‌عنوان منیفلد جاسازی‌شده در داده استخراج می‌شود. در‌حالی‌که در خیلی از مسائل مربوط به دنیای واقعی یک منیفلد به‌تنهایی بیانگر ساختار داده نمی‌باشد. در این راستا بر مبنای تحقیقات قبلی، یک روش کاهش بعد غیرخطی مبتنی بر شبکه‌های عصبی عمیق ارائه شده است که قادر به استخراج توأم منیفلدهای جاسازی شده در داده می‌باشد. در مدل شبکه عصبی تفکیک‌کننده منیفلدهای غیرخطی، برخلاف روش معمول استخراج منیفلد با شبکه‌های عصبی که به‌صورت بدون سرپرستی صورت می‌گیرد، از برچسب داده در جهت شکل‌گیری منیفلدها به‌صورت غیرمستقیم استفاده می‌شود. با توجه به ساختار عمیق این مدل نشان داده شده است که با بهره‌گیری از روش‌های پیش‌تعلیم می‌توان به‌طور معناداری عملکرد آن‌را بهبود بخشید. همچنین در راستای استخراج بهتر منیفلدها و حفظ تمایز درون‌منیفلدی برای طبقات مختلف، توابع معیار آن بهبود داده شده است. این مدل برای استخراج منیفلدهای حالت‌های احساسی و افراد از دادگان چهره CK+، مورد استفاده قرار گرفته است. با بهره‌گیری از پیش‌تعلیم لایه‌به‌لایه و بهبود توابع معیار، نرخ بازشناسی حالت برای تصاویر مجازی از 29/24% به 07/75% و درصد صحت بازشناسی هویت با یک تصویر از هر فرد با غنی‌سازی دادگان تعلیم طبقه‌بند KNN توسط این تصاویر مجازی، از 62/90% به 07/97% نسبت به مدل اولیه بهبود داشته‌ است.
متن کامل [PDF 2902 kb]   (1672 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش تصویر
دریافت: 1392/8/26 | پذیرش: 1394/2/1 | انتشار: 1394/4/17 | انتشار الکترونیک: 1394/4/17

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

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

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