کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4942668 1437414 2017 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Robust multimodal multivariate ear recognition using kernel based simultaneous sparse representation
ترجمه فارسی عنوان
تشخیص گوش چند متغیره قوی با استفاده از نمایندگی مکرر بر اساس هسته
کلمات کلیدی
تشخیص گوش چند متغیره چند منظوره، نمایندگی مجردی مشترک، پویا مشترک نمایندگی انحصاری، کرنل به طور همزمان کدگذاری ضعیف،
ترجمه چکیده
در این مقاله، ما یک روش جدید چند متغیره چندتودیایی برای تشخیص گوش پیشنهاد می کنیم که با استفاده از ماتریس سمت چپ و راست یک فرد برای شناسایی وی با استفاده از نمایندگی مبهم مشترک و نوع آن، رویکرد طبقه بندی مبتنی بر پراکندگی پویا مشترک، سوء استفاده می شود. برای ایجاد مشکل بسیار قوی در برابر فرار که ممکن است ناشی از تغییرات نور و یا سر و صدا با توجه به اندازه گیری های نادرست و یا از انسداد جزئی به علت مو یا زیور آلات - به ویژه برای افراد زن، ما با استفاده از طرح رگرسیون چند متغیر وزن جدید تحت اختلاط کوچک نیز به عنوان مجازات پویا پویا مشترک. این طرح خاص مجموعه ای از وزن ها را به صورت تکراری برای هر یک از باقی مانده ها که مربوط به هر مشاهده است فرا می گیرد و سپس در طول طبقه بندی، وزن کمتری را برای عناصر شناسایی شده به عنوان ناقل ها به دست می آورد، به طوری که آنها نمی توانند برای نمایندگی مجموعه پرس و جو ها شرکت کنند. برای بهبود دقت سیستم، روش پیشنهادی برای مقابله با تزریق غیر خطی ساخته شده بوسیله تغییرات ظاهری و انسداد، اصلاح شده است. در نهایت، آزمایش های گسترده ای بر روی یک پایگاه داده جدید ایجاد شده در آزمایشگاه ما انجام شده است تا عملکرد روش پیشنهادی را در مقایسه با چندین روش رقابتی و پیشرفته تر، مقایسه نماییم تا بتوان از روش طبقه بندی پیشنهاد شده برای زندگی واقعی مختلف استفاده کرد. برنامه های کاربردی.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
تشخیص گوش چند متغیره قوی با استفاده از نمایندگی مکرر بر اساس هسته
چکیده انگلیسی
In this paper, we propose a novel multivariate multimodal ear recognition method which exploits correlation between left and right ear modality of an individual for his/her identification using joint sparse representation and its variant, joint dynamic sparse representation based classification approach. To make the problem much more robust against outliers that might be resulted from illumination variation or noises due to inaccurate measurements or from partial occlusion due to hair or ornaments - especially for female subjects, we employ a novel weighted multivariate regression scheme under joint sparse as well as joint dynamic sparse penalization. That particular scheme learns a set of weights iteratively for each and every residual corresponding to each observation and subsequently, during the time of classification, gives lesser weight to elements detected as outliers such that they are not able to participate for query set representation. To further improve accuracy of the system, the proposed method is kernelized to tackle non-linearity infusion made by pose variations and occlusions. In the end, extensive experimentations are carried out over a novel database developed in our laboratory to compare performance of the proposed method to several competitive, state-of-the-art methods in order to check suitability of the proposed classification method for various real life applications.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Engineering Applications of Artificial Intelligence - Volume 64, September 2017, Pages 340-351
نویسندگان
, ,