Signal and Data Processing
پردازش علائم و دادهها
JSDP
Engineering & Technology
http://jsdp.rcisp.ac.ir
1
admin
2538-4201
2538-421X
10.52547/jsdp
1
8888
fa
jalali
1394
12
1
gregorian
2016
3
1
12
4
online
1
fulltext
fa
مدل ترکیبی تحلیل مؤلفه اصلی احتمالاتی بانظارت در چارچوب کاهش بعد بدون اتلاف برای شناسایی چهره
Supervised Probabilistic Principal Component Analysis Mixture Model in a Lossless Dimensionality Reduction Framework for Face Recognition
مقالات پردازش تصویر
Paper
پژوهشي
Research
<p>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.</p>
<p>In this paper, we first proposed the supervised version of probabilistic principal component analysis mixture model. Then, we consider a learning predictive model with projection penalties, as an approach for dimensionality reduction without loss of information for face recognition. In the proposed method, first a local linear underlying manifold of data samples is obtained using the supervised probabilistic principal component analysis mixture model. Then, a support vector machine classifier with projection penalty is trained as a predictive model using this local linear manifold. Thus, the predictive model benefits from dimensionality reduction, while it loses minimum amount of useful information. To evaluate the proposed method, we used well-known face recognition databases. Gabor feature extraction method have been applied to these images. The experimental results show that the proposed method has a higher classification accuracy than many of the traditional methods which use predictive models after dimensionality reduction. It also works better than the projection penalty method with linear or nonlinear based dimensionality reduction models.</p>
کاهش بعد بدون اتلاف, مدل ترکیبی, تحلیل مؤلفه اصلی احتمالی, بانظارت, جریمه نگاشت
Lossless Dimensionality Reduction, Mixture Model, Probabilistic Principal Component Analysis, Supervised, Projection Penalty
53
65
http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-598-1&slc_lang=fa&sid=1
Somayeh
Ahmadkhani
سمیه
احمدخانی
s.ahmadkhani@eng.ui.ac.ir
10031947532846002467
10031947532846002467
No
University of Isfahan
دانشگاه اصفهان
Peyman
Adibi
پیمان
ادیبی
adibi@eng.ui.ac.ir
10031947532846002468
10031947532846002468
Yes
University of Isfahan
دانشگاه اصفهان