دوره 12، شماره 4 - ( 12-1394 )                   جلد 12 شماره 4 صفحات 65-53 | برگشت به فهرست نسخه ها

XML English Abstract Print


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

Ahmadkhani S, Adibi P. Supervised Probabilistic Principal Component Analysis Mixture Model in a Lossless Dimensionality Reduction Framework for Face Recognition. JSDP 2016; 12 (4) :53-65
URL: http://jsdp.rcisp.ac.ir/article-1-259-fa.html
احمدخانی سمیه، ادیبی پیمان. مدل ترکیبی تحلیل مؤلفه اصلی احتمالاتی بانظارت در چارچوب کاهش بعد بدون اتلاف برای شناسایی چهره. پردازش علائم و داده‌ها. 1394; 12 (4) :53-65

URL: http://jsdp.rcisp.ac.ir/article-1-259-fa.html


دانشگاه اصفهان
چکیده:   (6616 مشاهده)

در این مقاله ابتدا مدل بانظارت روش ترکیبی تحلیل مؤلفه اصلی احتمالاتی (SPPCAMM) ارائه شده است. سپس با در نظر گرفتن جریمه نگاشت در یادگیری مدل پیشگو روشی برای شناسایی چهره با استفاده از یک رویکرد کاهش بعد بدون اتلاف ارائه شده است. در روش پیشنهادی ابتدا یک منیفولد زیربنایی محلی خطی با استفاده از مدل ترکیبی تحلیل مؤلفه اصلی احتمالاتی بانظارت از نمونه داده ها به دست می آید. سپس دسته بند ماشین بردار پشتیبان با اعمال جریمه نگاشت به عنوان مدل پیشگوی مذکور با استفاده از این منیفولد محلی خطی آموزش داده میشود. بدین ترتیب از مزایای کاهش بعد در مدل پیشگو استفاده میشود، و در عین حال جلوی از دست رفتن اطلاعات مفید گرفته میشود. برای آموزش و ارزیابی روش پیشنهادی، از پایگاه داده های چهره شناخته شده استفاده شده است. روش استخراج ویژگی گابور بر روی تصاویر به کار گرفته شده است. نتایج آزمایشها نشان میدهد که روش پیشنهادی نسبت به بسیاری از روشهای معمول که کاهش بعد را انجام داده و سپس دسته بند را آموزش میدهند، و همچنین نسبت به روش جریمه نگاشت مبتنی بر مدلهای کاهش بعد خطی و غیرخطی دقت بیشتری دارد.

متن کامل [PDF 2215 kb]   (2319 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش تصویر
دریافت: 1393/4/22 | پذیرش: 1394/6/17 | انتشار: 1394/12/24 | انتشار الکترونیک: 1394/12/24

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.