الوصف
كان التعرف التلقائي على الوجوه (FR) ولا يزال أحد أكثر موضوعات البحث وضوحًا وتحديًا في رؤية الكمبيوتر والتعلم الآلي والقياسات الحيوية. على الرغم من أن صور الوجه ذات أبعاد عالية ، فإنها عادة ما تقع على مسافات فرعية ذات أبعاد أقل أو عديدات طيات فرعية. لذلك ، تم استخدام أساليب التعلم من الفضاء الجزئي والتعلم المتنوع بشكل كبير وناجح في FR القائم على المظهر ، والذي يتضمن Eigenface ، و Fisherface ، وإسقاط الحفاظ على المنطقة (LPP) ، والتضمين المميز المحلي (LDE) ، والإسقاط التمييزي غير الخاضع للإشراف (UDP) [8] ، إلخ. .
في هذا المشروع ، ناقشنا تعلم metaface (MFL) لصور الوجه عند استخدام المصنف القائم على التمثيل المتناثر (SRC) للتصنيف. أظهرت تجاربنا على قواعد بيانات الوجه الموسعة Yale B و ORL و AR أن خوارزمية MFL المقترحة لا يمكن أن تتمتع بدقة أعلى من SRC الأصلي فحسب ، بل أيضًا حجم قاموس أقل. في تعلم metafaces لكل فئة ، تم استخدام العينات داخل هذا الفصل فقط. لذلك ، فإن خوارزمية MFL المقترحة في هذه الورقة هي طريقة تعلم غير خاضعة للإشراف. في المستقبل ، سنحقق في كيفية إدخال معلومات تسمية الفصل في عملية MFL بحيث يمكن تعلم مجموعة من الواصفات التمييزية
ref :
Yang, Meng, Lei Zhang, Jian Yang, and David Zhang. “Metaface learning for sparse representation based face recognition.” In Image Processing (ICIP), 2010 17th IEEE International Conference on, pp. 1601-1604. IEEE, 2010.
تمثيل متناثر غير مركزي لاستيفاء الصورة
التمثيل المتناثر المستند إلى Metasample لتصنيف الورم
http://vlm1.uta.edu/~athitsos/publications/shafiee_petra2013.pdf
المراجعات
لا توجد مراجعات بعد.