کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
4970339 1365310 2017 5 صفحه PDF 13 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله
Multi-channel multi-model feature learning for face recognition
ترجمه فارسی عنوان
یادگیری خصوصیت (ویژگی) چند مدلی چند کاناله برای تشخیص چهره
کلمات کلیدی
یادگیری بی نظیر، شناسایی چهره، اتوکدرر، برآورد انبوه، ADMM
فهرست مطالب مقاله
چکیده

کلیدواژگان

1.مقدمه

2.    متدها

شکل 1. معماری سیستم یادگیری خصوصیت چند مدلی چند کاناله (McMmFl)

2.1.    رمزنگار خودکار  (AE) ارائه شده

2.2.    خصوصیات دست ساز و K-means

2.3.    استخراج خصوصیت

3.    آزمایشات و نتایج

3.1.    ارزیابی روی پایگاه داده صورت AR

جدول 1. مقایسه نرخ های تشخیص چهره روی پایگاه داده AR با برخی از متد های نمایشی و متد های یادگیری خصوصیت انفرادی که ما در این مقاله آنها را ارائه و استفاده کردیم. در جدول T نشان دهنده "Train" است

جدول 2. دسته بندی در پایگاه داده AR روی اطلاعات ناپیدا (مفقود) 

جدول 3. مقایسه نرخ های تشخیص چهره روی پایگاه داده AR با توجه به بُعد

جدول 4. آزمایش بینی روی AR

جدول 5. یادگیری روی چند ناحیه در مقابل ناحیه کل صورن روی AR

3.2.    تشخیص چهره روی پایگاه داده Yale

جدول 6. مقایسه نرخ های تشخیص چهره روی پایگاه داده Yale ([31,32] را برای اختصارها مشاهده کنید)

3.3.    تشخیص چهره روی پایگاه داده Pubfig انتخاب شده

شکل 2. برخی از تصاویر نمونه از پایگاه داده PubFig83 با تغییرات واقعی مختلف روی حالت صورت، ژست، روشن سازی (سایه روشن)، انسداد، وضوح و...

جدول 7. تحلیل نرخ های تشخیص چهره روی پایگاه داده PubFig83. تعداد واحد برای متد های یادگیری غیر نظارتی، 96 است

4.    خاتمه
ترجمه چکیده
شرایط مختلف برای حمل اطلاعات، اثبات شده است. هدف این مقاله، مطالعه مدل های چندگانه و کانال ها/ نواحی صورت چندگانه (برای مثال متدهای یادگیری غیر نظارتی و دست ساز) برای پاسخگویی به مسئله تشخیص چهره، است. تکنیک های یادگیری خصوصیت عمیق و دست ساز ارائه شده و در تخمین خصوصیات متمایز کننده در مسائل تشخیص شی، به کار گرفته شده اند. در سیستم های یادگیری خصوصیت چند مدلی چند کاناله (McMmFL)، ما یک بهینه سازی رمزنگاری خودکار (AE) جدید که متد تغییر جهت ضرب کننده ها (ADMM) را یکپارچه می کند، را ارائه کردیم. یکی از مزیت های AE ما، تقسیم فرمولاسیون انرژی در چند واحد فرعی که می توانند برای توزیع/ از کار انداختن وظایف بهینه سازی استفاده شوند، می باشد. علاوه بر این، متد ارائه شده از مزیت خوشه بندی K-mean و هیستوگرام های مدرج (شیب دار) (HOG) برای ارتقاء نرخ های تشخیص، استفاده می کند. McMmFL از بهترین نتایج گزارش شده در مقالات در زمینه سه مجموعه داده محک مربوط به صورت، یعنی AR، Yale، و PubFig 83 با نرخ های آنها به ترتیب 95.04%، 98.97%، 95.85%، است، بهتر اجرا می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی


- We propose a new facial recognition system which learns the multi-channel and multi-model facial representations.
- A new autoencoder with ADMM optimization which increases the recognition rates is designed.
- The new system learns facial representations that promote to capture intra-facial-region changes more precisely.
- The face recognition rates are boosted using unsupervised and hand-crafter features.
- We achieve the state-of-the-art results on several facial datasets.

Different modalities have been proved to carry various information. This paper aims to study how the multiple face regions/channels and multiple models (e.g., hand-crafted and unsupervised learning methods) answer to the face recognition problem. Hand crafted and deep feature learning techniques have been proposed and applied to estimate discriminative features in object recognition problems. In our Multi-Channel Multi-Model feature learning (McMmFL) system, we propose a new autoencoder (AE) optimization that integrates the alternating direction method of multipliers (ADMM). One of the advantages of our AE is dividing the energy formulation into several sub-units that can be used to paralyze/distribute the optimization tasks. Furthermore, the proposed method uses the advantage of K-means clustering and histogram of gradients (HOG) to boost the recognition rates. McMmFL outperforms the best results reported on the literature on three benchmark facial data sets that include AR, Yale, and PubFig83 with 95.04%, 98.97%, 95.85% rates, respectively.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 85, 1 January 2017, Pages 79-83
نویسندگان
, , , ,