آموزش تفکیک تطبیقی برای تشخیص چهره

قیمت: 41,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

آموزش تفکیک تطبیقی برای تشخیص چهره

عنوان لاتین

Adaptive discriminant learning for face recognition

تشخیص چهره ازنمونه یک فرد (sspp) بسیار زیرسؤال است زیرا تنها یک نمونه برای هر فرد در دسترس می باشد در حالیکه روش های زیاد بررسی تمایر مانند fisherface و گونه های متعدد آن ، در شناسایی چهره به موفقیت زیادی نائل شده اند اما این روش ها نمی توانند در این طرح مؤثر واقع گردند زیرا بیشتر ازیک نمونه ازهرفرد لازم بوده تا ماتریس پراکندگی درون گروه محاسبه گردد. به منظور توجه به این مسئله، بررسی تمایز تطابقی (ADA) را ارائه داده ایم که ماتریس پراکندگی درگروه هرفرد پذیرفته شده با تک نمونه اش، ازطریق تأثیر مجموعه کلی درنمونه های چندگانه هر فرد،استنباط می گردد. روش ما ازاین فرضیه برانگیخته شده که افراد مشابه به یکدیگر عموماً گونه های مشابه درون گروه در ADA را مطرح می سازند، تعداد محدودی از هم نوع ها برای هرنمونه خاص ابتدا ازمجموعه کلی با استفاده از رگرسیون KNN یا Lasso تعیین شده اند. سپس ، ماتریس پراکندگی داخل گروه این نمونه خاص به عنوان میانگین ارزیابی شده ماتریس پراکندگی داخل گروه این هم نوع ها برپایه میانگین عددی یا میانگین Reimannian مطرح می گردد. در پایان مسیرهای بهینه طرح ADA می تواند به صورت آنالیزی با ماتریس پراکندگی داخل گروه و ماتریس پراکندگی واقعی میان گروه محاسبه گردد؛ روش ارائه شده در سه پایگاه داده ازجمله پایگاه FERET ، FRGC و پایگاه داده چهره جهان واقعی بزرگ مانند پاسپورت بررسی می گردد. نتایج گسترده تأثیر ADA ما درزمان مقایسه با راه حل های محل درمسئله SSPP را به اثبات می رساند.

Face recognition from Single Sample per Person (SSPP) is extremely challenging because only one sample is available for each person. While many discriminant analysis methods, such as Fisherfaces and its numerous variants, have achieved great success in face recognition, these methods cannot work in this scenario, because more than one sample per person are needed to calculate the within-class scatter matrix. To address this problem, we propose Adaptive Discriminant Analysis (ADA) in which the within-class scatter matrix of each enrolled subject is inferred using his/her single sample, by leveraging a generic set with multiple samples per person. Our method is motivated from the assumption that subjects who look alike to each other generally share similar within-class variations. In ADA, a limited number of neighbors for each single sample are first determined from the generic set by using kNN regression or Lasso regression. Then, the within-class scatter matrix of this single sample is inferred as the weighted average of the within-class scatter matrices of these neighbors based on the arithmetic mean or Riemannian mean. Finally, the optimal ADA projection directions can be computed analytically by using the inferred within-class scatter matrices and the actual between-class scatter matrix. The proposed method is evaluated on three databases including FERET database, FRGC database and a large real-world passport-like face database. The extensive results demonstrate the effectiveness of our ADA when compared with the existing solutions to the SSPP problem.