رساله جهت اخذ درجه دکتری رشته مهندسی برق گرایش مخابرات با عنوان شناسایی چهره از طریق یادگیری پایه های محلی بهینه ( Face Recognition through Optimal Local basis Learning ) آماده دانلود می باشد.
محتویات فایل: یک فایل زیپ حاوی یک فایل pdf.
تعداد صفحه: 259
دانشگاه: تهران
چکیده
در این رساله با نگاه موشکافانه به نقصانهای روشهای خودکار شناسایی چهره و الهام از رفتار فرصت طلبانه سیستم شناسایی انسان، یک راهکار جدید برای مدلسازی محلی منیفولد چهره با نام پایه های محلی بهینه ارائه خواهد شد. امروزه روشهای یادگیری آماری متداول ترین راهکارهای شناسایی چهره به شمار می آیند. در یک نگاه کلان این روشها از یک نقصان بزرگ رنج می برند. ثابت شده است که با انتخاب هوشمندانه زیرمجموعه ای از فضای چهره تولید شده توسط الگوریتمهای یادگیری آماری ، می توان به توصیف های مناسبتری برای منیفولد چهره رسید. اما نقصان بزرگ آن است که در تمامی روشهای ارائه شده تنها یک زیرفضای ثابت (مجموعه ویژگی) برای توصیف تمام منیفولد چهره معرفی میشد و راهکاری پیشنهاد نشده است تا بتوان تعدادی زیرفضای مناسب برای تکه های مختلف منیفولد چهره انتخاب نمود. از سویی دیگر ارائه توصیفهای محلی از منیفولد چهره ، مسیر تحقیقاتی دیگری است که مورد توجه برخی از پژوهشگران قرار گرفته است. راهکارهای ارائه شده در این زمینه با استفاده از روشهای خوشه بندی ، تصاویر چهره را به دسته هایی تقسیم می کنند و سپس برای برای هر خوشه از تصاویر، یک فضای چهره طراحی میشود. ایراد اساسی که به این روشها وارد است، عدم وجود مکانیزم مناسب و مستدل برای خوشه بندی تصاویر است. به عنوان مثال قرار دادن تصاویر اخذ شده از یک زاویه سر الزاماً نمیتواند به تولید فضایی مناسب برای شناسایی توسط ماشین منجر شود. مجموعه این آگاهیها انگیزه ای شد برای تأمل و تفکر و در نهایت طراحی یک ماشین یادگیری برای شناسایی چهره و رسیدن به نقطه کنونی.
پایه های محلی بهینه یک مجموعه نگاشت غیرایزومتریک برای تقریب محلی منیفولد چهره هستند که با استفاده از یادگیری تقویتی که نوع خاصی از روشهای یادگیری شبه سرپرستی است حاصل میشوند. در پایه های محلی بهینه، انتخاب نگاشتهای غیرایزومتریک با هدف بیشینه کردن قدرت تفکیک پذیری کلاسهای مجاور در فضای چهره صورت می پذیرد. استفاده از یادگیری تقویتی و مدلسازی مسأله انتخاب نگاشتها با فرآیند تصمیم گیری مارکف، عمل انتخاب نگاشتهایغیرایزومتریک را ساده تر می نماید و حجم جستجوها را کاهش می دهد. الگوریتم پایه های محلیبهینه نه تنها ویژگیهای غالب را برای تکه های مختلف منیفولد چهره به صورت خودکار می یابد بلکه مکانیزم مناسبی برای مقایسه شباهت در فضاهایی که از لحاظ ابعاد و نوع ویژگیها یکسان نمی باشند ارائه می نماید.
پس از توصیف الگوریتم پایه های محلی بهینه، این روش شناسایی را از منظر ادبیات و دانش انتخاب ویژگی مورد بررسی قرار خواهیم داد. خواهیم دیدیم که الگوریتم پایه های محلی بهینه به مجموعه روشهای پوشه در انتخاب ویژگی تعلق دارد و قرابت زیادی با روشهای انتخاب مستقیم درادبیات انتخاب ویژگی دارد. همچنین شباهتها و تفاوتهای الگوریتم پایه های محلی بهینه با کمیته های یادگیری و روشهای محلی یادگیری منیفولد را بررسی خواهیم کرد.
با انجام شبیه سازیهای مختلف به بررسی کارایی الگوریتم پایه های محلی بهینه در شرایط مختلف تصویربرداری خواهیم پرداخت. برای آنالیز کارایی الگوریتم پایه های محلی بهینه از دو معیار نرخ صحیح شناسایی و منحنیهای امتیاز تجمعی شناسایی استفاده خواهیم کرد. با بررسی رفتار الگوریتم پیشنهادی در فضاهای مختلف چهره خواهیم دید که الگوریتم پایه های محلی بهینه مستقل از نوع ویژگیهای ورودی قادر به بهبود کیفیت شناسایی است. سپس با مقایسه الگوریتم پیشنهادی با روشهای کارا و نوین شناسایی چهره که از ایده هایی مشابه استفاده می کنند، نشانخواهیم داد که الگوریتم پیشنهادی از طیف وسیعی از روشهای کارا و بروز شناسایی چهره، قابل تر و کاراتر است.
در نهایت نیز خواهیم دید که بر خلاف بسیاری از الگوریتمهای کنونی شناسایی چهره، با تعمیم الگوریتم پایه های محلی بهینه میتوان از آن در مسائلی که محیط شناسایی در آن پویا است استفاده نمود. به طور خاص دو منشأ تغییر در محیط را مورد بررسی قرار خواهیم داد، نخست به بررسی تغییرات ناشی از اضافه نمودن کلاسهای جدید به محیط تحت یادگیری افزایشی می پردازیم. سپس توجه خود را به حالتی معطوف می کنیم که بواسطه کسب دانش جدید، فضای ویژگی پایه های محلی بهینه افزایش پیدا می کند. در این حالت با استفاده از یادگیری تدریجی (که مفهومی جدید درحوزه شناسایی چهره است) میتوان دانش اکتسابی گذشته را اصلاح نمود.
رساله دکتری مهندسی برق با عنوان شناسایی چهره از طریق یادگیری پایه های محلی بهینه
