کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4948613 1439619 2016 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Transfer subspace learning for cross-dataset facial expression recognition
ترجمه فارسی عنوان
یادگیری زیرمجموعه برای تشخیص بیان صورت در میان مجموعه داده ها
کلمات کلیدی
تشخیص بیان صورت، انتقال یادگیری، یادگیری زیرزمینی، آموزش چندرسانه ای، بیومتریک،
ترجمه چکیده
در این مقاله، ما یک روش انتقال یادگیری انتقال زیرساخت را پیشنهاد می کنیم. برای اطلاع ما، این مسئله در ادبیات به ندرت مورد توجه قرار گرفته است. در حالی که بسیاری از روش های تشخیص بیان صورت در سال های اخیر پیشنهاد شده است، اکثر آنها تصور می کنند که تصاویر چهره در مجموعه های آموزشی و تست تحت شرایط مشابه جمع آوری می شوند به طوری که آنها به طور مستقل و یکسان توزیع می شود. در بسیاری از برنامه های کاربردی واقعی، این فرضیه به این معنا نیست که داده های تست معمولا به صورت آنلاین جمع آوری می شوند و عموما غیر قابل کنترل تر از داده های آموزش هستند. از این رو، نمونه های آزمایش احتمالا متفاوت از نمونه های آموزش هستند. در این مقاله، این مسئله را به عنوان شناسایی بیان صورت در میان داده ها تعریف می کنیم، زیرا داده های آموزش و تست از مجموعه داده های مختلف به علت شرایط مختلف کسب شده جمع آوری می شوند. برای حل این مسئله، ما یک روش یادگیری زیر فضای انتقال را برای یادگیری یک زیرمجموعه ویژگی ارائه می دهیم که دانش را از دامنه منبع (نمونه های آموزش) به حوزه هدف (نمونه های تست) منتقل می کند تا عملکرد تشخیص را بهبود بخشد. برای بهتر استفاده از اطلاعات تکمیلی برای نمایش چندین تصویر از تصاویر چهره، ما یک رویکرد یادگیری زیر فضای انتقال چندبعدی را ایجاد می کنیم که در آن چندین زیرمجموعه های متفاوتی که در عین حال مرتبط هستند، برای انتقال اطلاعات از دامنه منبع به دامنه هدف یاد می شود. نتایج تجربی برای نشان دادن کارآیی این روش های پیشنهادی برای انجام وظیفه تشخیص گفتار متقابل مجموعه داده ها ارائه شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یادگیری زیرمجموعه برای تشخیص بیان صورت در میان مجموعه داده ها
چکیده انگلیسی
In this paper, we propose a transfer subspace learning approach cross-dataset facial expression recognition. To our best knowledge, this problem has been seldom addressed in the literature. While many facial expression recognition methods have been proposed in recent years, most of them assume that face images in the training and testing sets are collected under the same conditions so that they are independently and identically distributed. In many real applications, this assumption does not hold as the testing data are usually collected online and are generally more uncontrollable than the training data. Hence, the testing samples are likely different from the training samples. In this paper, we define this problem as cross-dataset facial expression recognition as the training and testing data are considered to be collected from different datasets due to different acquisition conditions. To address this, we propose a transfer subspace learning approach to learn a feature subspace which transfers the knowledge gained from the source domain (training samples) to the target domain (testing samples) to improve the recognition performance. To better exploit more complementary information for multiple feature representations of face images, we develop a multi-view transfer subspace learning approach where multiple different yet related subspaces are learned to transfer information from the source domain to the target domain. Experimental results are presented to demonstrate the efficacy of these proposed methods for the cross-dataset facial expression recognition task.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 208, 5 October 2016, Pages 165-173
نویسندگان
,