یادگیری خصوصیت (ویژگی) چند مدلی چند کاناله برای تشخیص چهره

قیمت: 45,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

یادگیری خصوصیت (ویژگی) چند مدلی چند کاناله برای تشخیص چهره

عنوان لاتین

Multi-channel multi-model feature learning for face recognition

شرایط مختلف برای حمل اطلاعات، اثبات شده است. هدف این مقاله، مطالعه مدل های چندگانه و کانال ها/ نواحی صورت چندگانه (برای مثال متدهای یادگیری غیر نظارتی و دست ساز) برای پاسخگویی به مسئله تشخیص چهره، است. تکنیک های یادگیری خصوصیت عمیق و دست ساز ارائه شده و در تخمین خصوصیات متمایز کننده در مسائل تشخیص شی، به کار گرفته شده اند. در سیستم های یادگیری خصوصیت چند مدلی چند کاناله (McMmFL)، ما یک بهینه سازی رمزنگاری خودکار (AE) جدید که متد تغییر جهت ضرب کننده ها (ADMM) را یکپارچه می کند، را ارائه کردیم. یکی از مزیت های AE ما، تقسیم فرمولاسیون انرژی در چند واحد فرعی که می توانند برای توزیع/ از کار انداختن وظایف بهینه سازی استفاده شوند، می باشد. علاوه بر این، متد ارائه شده از مزیت خوشه بندی K-mean و هیستوگرام های مدرج (شیب دار) (HOG) برای ارتقاء نرخ های تشخیص، استفاده می کند. McMmFL از بهترین نتایج گزارش شده در مقالات در زمینه سه مجموعه داده محک مربوط به صورت، یعنی AR، Yale، و PubFig 83 با نرخ های آنها به ترتیب 95.04%، 98.97%، 95.85%، است، بهتر اجرا می کند.

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.