بازبینی مدل شناسایی چهره مبتنی بر یادگیری دیکشنری کرنلی توسعه یافته

در طبقه بندی مبتنی بر نمایش تنک (SRC) نخست داده آزمون بصورت ترکیب خطی داده های دیکشنری در می آید و سپس با توجه به اینکه کدام داده های دیکشنری از چه کلاسی در ساخت داده آزمون مشارکت کرده اند، نسبت به تعیین کلاس داده آزمون تصمیم گیری می شود. مدل طبقه بندی مبتنی بر یادگیری دیکشنری کرنلی توسعه یافته (KED) نوع جدید مدل SRC است که داده آزمون را بصورت ترکیب خطی داده های دیکشنری و داده های دیکشنری توسعه یافته در می آورد. دیکشنری توسعه یافته، براساس اختلاف تصاویر دارای انسداد و تصاویر بدون انسداد ایجاد می شود و منجر به افزایش دقت طبقه بند در مواجهه با داده های دارای انسداد میشود. چهار انتقاد به مدل KED وارد است. انتقاد اول: در مدل KED به مولفه های اصلی تغییرات انسداد، وزن مشابهی اختصاص داده شده است. در حالی که مولفه های اصلی تغییرات انسداد، وزن متفاوتی دارند که متناسب با مقدار ویژه هر مولفه اصلی است. انتقاد دوم: برخلاف باور مدل KED بازسازی یک تصویر دارای انسداد، فقط با ترکیب تصاویر بدون انسداد و مولفه های اصلی یا جهت های اصلی تغییرات انسداد میسر نیست بلکه بازسازی یک تصویر دارای انسداد، با ترکیب تصاویر بدون انسداد، میانگین تغییرات انسداد و مولفه های اصلی یا جهت های اصلی تغییرات انسداد میسر میشود. انتقاد سوم: اهمیت و توانایی دیکشنری اصلی و دیکشنری توسعه یافته برای بازسازی تصویر آزمون، ضرورتا یکسان نیست. در حالیکه در مدل KED اهمیت این دو دیکشنری برای بازسازی تصاویر آزمون، یکسان درنظرگرفته شده است. انتقاد چهارم: زمان اجرای طبقه بندی مبتنی بر نمایش تنک که در مدل KED استفاده شده است بیشتر از نمایش مشارکتی است. در این مقاله، در پاسخ به این چهار انتقاد وارد به مدل KED مدل جدیدی ارایه میشود. آزمایشهای تجربی روی مجموعه داده واقعی نشان میدهد که زمان اجرا و دقت مدل پیشنهادی بهتر از روش KED است.

کلیدواژه ها:

طبقه بندی ، نمایش تنک ، یادگیری دیکشنری توسعه یافته کرنلی ، انسداد