| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
|---|---|---|---|---|
| 4970339 | 1450034 | 2017 | 5 صفحه PDF | دانلود رایگان |
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
- 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.
Journal: Pattern Recognition Letters - Volume 85, 1 January 2017, Pages 79-83