RT - Journal Article T1 - Improving the nonlinear manifold separator model to the face recognition by a single image of per person JF - jsdp YR - 2015 JO - jsdp VO - 12 IS - 1 UR - http://jsdp.rcisp.ac.ir/article-1-181-fa.html SP - 3 EP - 16 K1 - Neural network • Manifold learning • Within-manifold discrimination • Virtual patterns • Deep structure • Manifold separation AB - 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. LA eng UL http://jsdp.rcisp.ac.ir/article-1-181-fa.html M3 ER -