فریبا حیدری - دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
مهدی آمون - دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
سجاد فرخی - دانشکده مهندسی کامپیوتر، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

تشخیص چهره یکی از مهمترین وجذاب ترین مسایل در حوزه بینایی ماشین محسوب می شود. در پژوهش های صورت گرفته در این حوزه، از یک طرف اهمیت سرعت در پردازش تصاویر چهره صنعتگران را ترغیب به استفاده از روش هایی نموده است که از اتلاف زمان برای جست و جو جلوگیری کند. بنابراین استفاده از روش های یادگیری ماشین که فاز آموزش را به عنوان زمان برترین فرایند به صورت آفلاین انجام می دهند محبوبیت خاصی پیدا کرده است. از طرف دیگر، چالش کارایی و دقت، محققان حوزه تشخیص چهره را در میان روش های مبتنی بر یادگیری ماشین به سمت یادگیری عمیق و شبکه های عصبی کانولوشنال سوق داده است. شبکه های عصبی کانولوشنال، اولا با توجه به مکانیسم سلسله مراتبی استخراج ویزگی فضایی، دقت یادگیری را در برنامه های کاربردی بینایی ماشین بسیار بهبود داده اند، و دوما با استفاده از رویکرد به اشتراک گذاری وزن نسبت به شبکه های عصبی تمام اتصال، بخش قابل توجهی از پیچیدی متناظر با پردازش داده های تصویری را که شامل ابعاد بالای ویژگی می باشند، از میان بر می دارند. از این رو، استفاده از شبکه های عصبی کانولوشنال در تشخیص چهره نیز بسیار در میان محققان رواج یافته و چالش دقت در این حوزه از چالش برانگیزترین وجذاب ترین موضوعات محسوب می شود. در این مقاله به ارایه یک رویکرد نوین جهت تطبیق شبکه های عصبی کانولوشنال راهکاری برای بهبود دقت این شبکه ها در تشخیص چهره ارایه می دهیم. در این کار، با تعبیه یک فاز تطبیق با عنوان آموزش ثانویه به آموزش مجدد وزن ها می پردازیم. نتایج بر روی دیتاسیت مورد استفاده در این مقاله و مقایسه آن با رویکردهای پیشین در این حوزه حاکی از بهبود قابل توجه کارایی شبکه عصبی کانولوشنال با استفاده از روش پیشنهادی در تشخیص چهره است.

آموزش شبکه عصبی کانولوشنال، الگوریتم تکاملی، تشخیص چهره، شبکه عصبی کانولوشنال