Sample diversity, representation effectiveness and robust dictionary learning for face recognition

الگوریتم های یادگیری فرهنگ لغت از مشکلات زیر در هنگام شناخت چهره رنج می برند. اول، چون در اکثر برنامه های کاربردی تشخیص چهره تنها تعداد محدودی از نمونه های آموزش اصلی وجود دارد، دشوار است که یک فرهنگ لغت قابل اعتماد با تعداد زیادی از اتم ها از این نمونه ها به دست آید. دوم، به این دلیل که تصاویر چهره یک شخص با عبارات و عبارات صورت و همچنین شرایط روشنایی متفاوت است، دیکشنری قوی برای تشخیص چهره دشوار است. بنابراین، به دست آوردن یک فرهنگ لغت قوی و قابل اعتماد، یک کلید حیاتی برای بهبود عملکرد الگوریتم های یادگیری فرهنگ لغت برای تشخیص چهره است. در این مقاله، یک چارچوب یادگیری فرهنگ لغت جدید برای دستیابی به این هدف پیشنهاد می کنیم. چارچوب پیشنهادی الگوریتم، تمرکز بر روی تنوع نمونه های تصویر یک تصویر چهره را در نظر می گیرد و تلاش می کند تا نمایندگی های موثرتری از تصاویر صورت و یک فرهنگ لغت قوی تر به دست آورد. ابتدا تصویر چهره مجازی را تولید می کند و سپس یک تابع هدف مشخص را طراحی می کند. بر اساس این تابع هدف، ما یک الگوریتم ریاضی قابل ردیابی و محاسباتی را برای تولید یک فرهنگ لغت قوی به دست می آوریم. نتایج تجربی نشان می دهد که چارچوب الگوریتم پیشنهادی برخی از یادگیری های پیشرفته تر فرهنگ لغت و الگوریتم های کدگذاری پیچیده در تشخیص چهره را بهبود می بخشد. علاوه بر این، چارچوب الگوریتم پیشنهادی نیز می تواند به سایر وظایف طبقه بندی الگو اعمال شود.