پايان نامه : شناسايي چهره از طريق يادگيري پايه هاي محلي بهينه
فرمت : pdf
تعداد صفحه : 257
قیمت : مبلغ ۲۲هزار تومان
چكيده
شايد اگر چند سال قبل مي خواستم رساله خود را بنويسم - چنان كه در مستندات پيش دفاع خود نوشتم- بايد مقدمه را چنين آغاز مي نمودم : شناسايي چهره چيست؟ اهميت شناسايي چهره در چيست؟ مزايا و معايب سيستمهاي شناسايي چهره در مقايسه با ديگر روشهاي بيومتريك تشخيص چيست؟ و شايد اگر چند سال پيش مي خواستم در يك مدرسه در مورد شناسايي چهره صحبت كنم صحبتهايم شبيه كتابهاي ژول ورن تخيلي و مربوط به آينده قلمداد مي شد ولي هنگامي كه كودكان امروزي هنگام عكاسي از دوربين هاي ديجيتال با توانايي يافتن چهره استفاده مي نمايند ..................
در اين رساله با نگاه موشكافانه به نقصانهاي روشهاي خودكار شناسايي چهره و الهام از رفتار فرصت طلبانه سيستم شناسايي انسان، يك راهكار جديد براي مدلسازي محلي منيفولد چهره با نام پايه هاي محلي بهينه ارائه خواهد شد. امروزه روشهاي يادگيري آماري متداول ترين راهكارهاي شناسايي چهره به شمار مي آيند. در يك نگاه كلان اين روشها از يك نقصان بزرگ رنج م يبرند. ثابت شده است كه با انتخاب هوشمندانه زيرمجموعه اي از فضاي چهره توليد شده توسط الگوريتمهاي يادگيري آماري، مي توان به توصيف هاي مناسبتري براي منيفولد چهره رسيد. اما نقصان بزرگ آن است كه در تمامي روشهاي ارائه شده تنها يك زيرفضاي ثابت (مجموعه ويژگي) براي توصيف تمام منيفولد چهره معرفي ميشد و راهكاري پيشنهاد نشده است تا بتوان تعدادي زيرفضاي مناسب براي تكه هاي مختلف منيفولد چهره انتخاب نمود. از سويي ديگر ارائه توصيفهاي محلي از منيفولد چهره مسير تحقيقاتي ديگري است كه مورد توجه برخي از پژوهشگران قرار گرفته است. راهكارهاي ارائه شده در اين زمينه با استفاده از روشهاي خوشه بندي، تصاوير چهره را به دسته هايي تقسيم مي كنند و سپس براي براي هر خوشه از تصاوير، يك فضاي چهره طراحي ميشود. ايراد اساسي كه به اين
روشها وارد است عدم وجود مكانيزم مناسب و مستدل براي خوشه بندي تصاوير است. به عنوان مثال قرار دادن تصاوير اخذ شده از يك زاويه سر الزاماً نميتواند به توليد فضايي مناسب براي شناسايي توسط ماشين منجر شود. مجموعه اين آگاهيها انگيزه اي شد براي تأمل و تفكر و در نهايت طراحي يك ماشين يادگيري براي شناسايي چهره و رسيدن به نقطه كنوني.
پايه هاي محلي بهينه يك مجموعه نگاشت غيرايزومتريك براي تقريب محلي منيفولد چهره هستند كه با استفاده از يادگيري تقويتي -كه نوع خاصي از روشهاي يادگيري شبه سرپرستي 1 است- حاصل ميشوند. در پايه هاي محلي بهينه، انتخاب نگاشتهاي غيرايزومتريك با هدف بيشينه كردن قدرت تفكيك پذيري كلاسهاي مجاور در فضاي چهره صورت مي پذيرد. استفاده از يادگيري تقويتي و مدلسازي مسأله انتخاب نگاشتها با فرآيند تصميم گيري ماركف، عمل انتخاب نگاشتهاي غيرايزومتريك را ساده تر مي نمايد و حجم جستجوها را كاهش مي دهد. الگوريتم پايه هاي محلي بهينه نه تنها ويژگيهاي غالب را براي تكه هاي مختلف منيفولد چهره به صورت خودكار مي يابد بلكه مكانيزم مناسبي براي مقايسه شباهت در فضاهايي كه از لحاظ ابعاد و نوع ويژگيها يكسان نمي باشند ارائه مي نمايد.
پس از توصيف الگوريتم پايه هاي محلي بهينه، اين روش شناسايي را از منظر ادبيات و دانش انتخاب ويژگي مورد بررسي قرار خواهيم داد. خواهيم ديديم كه الگوريتم پايه هاي محلي بهينه به مجموعه روشهاي پوشه در انتخاب ويژگي تعلق دارد و قرابت زيادي با روشهاي انتخاب مستقيم در ادبيات انتخاب ويژگي دارد. همچنين شباهتها و تفاوتهاي الگوريتم پايه هاي محلي بهينه با كميته هاي يادگيري و روشهاي محلي يادگيري منيفولد را بررسي خواهيم كرد. با انجام شبيه سازيهاي مختلف به بررسي كارايي الگوريتم پايه هاي محلي بهينه در شرايط مختلف تصويربرداري خواهيم پرداخت. براي آناليز كارايي الگوريتم پايه هاي محلي بهينه از دو معيار نرخ صحيح شناسايي و منحنيهاي امتياز تجمعي شناسايي استفاده خواهيم كرد. با بررسي رفتار الگوريتم پيشنهادي در فضاهاي مختلف چهره خواهيم ديد كه الگوريتم پايه هاي محلي بهينه مستقل از نوع ويژگيهاي ورودي قادر به بهبود كيفيت شناسايي است. سپس با مقايسه الگوريتم پيشنهادي با روشهاي كارا و نوين شناسايي چهره كه از ايده هايي مشابه استفاده مي كنند، نشان خواهيم داد كه الگوريتم پيشنهادي از طيف وسيعي از روشهاي كارا و بروز شناسايي چهره، قابل تر و كاراتر است.
در نهايت نيز خواهيم ديد كه بر خلاف بسياري از الگوريتمهاي كنوني شناسايي چهره، با تعميم الگوريتم پايه هاي محلي بهينه ميتوان از آن در مسائلي كه محيط شناسايي در آن پويا است استفاده نمود. به طور خاص دو منشأ تغيير در محيط را مورد بررسي قرار خواهيم داد، نخست به بررسي تغييرات ناشي از اضافه نمودن كلاسهاي جديد به محيط تحت يادگيري افزايشي مي پردازيم. سپس توجه خود را به حالتي معطوف مي كنيم كه بواسطه كسب دانش جديد، فضاي ويژگي پايه هاي محلي بهينه افزايش پيدا مي كند. در اين حالت با استفاده از يادگيري تدريجي (كه مفهومي جديد در حوزه شناسايي چهره است) ميتوان دانش اكتسابي گذشته را اصلاح نمود
فهرست
-
مقدمه
-
فصل اول
-
مقدمه
-
معرفي سيستم خودكار شناسايي چهره
-
روشهاي مدل گرا
-
روشهاي ظاهر گرا
-
آناليز اجزاي اصلي PCA
-
آناليز تفكيك پذيري خطي LDA
-
آناليز اجزاي مستقل ICA
-
يادگيري منيفولد .
-
ماشينهاي هسته
-
آناليز تنسور
-
آيا شدت روشنايي پيكسلها بهترين انتخاب براي توصيف چهره است؟
-
از بيولوژي شناسايي چهره چه مي دانيم؟
-
مقايسه برخي از روشهاي شناسايي چهره
-
-
فصل دوم
-
مقدمه
-
انگيزه
-
منظر اول : رفتار فرصت طلبانه
-
منظر دوم : انتخاب ويژگيهاي غالب
-
منظر سوم : تركيب طبقه بندي كنندهها و مدل سازي محلي منيفولد
-
پايه هاي محلي بهينه
-
تعريف
-
مدل محيط
-
طراحي سيگنال پاداش
-
انتخاب اعمال
-
چيدن تكه هاي پازل يادگيري در كنار هم
-
مرتب كردن ويژگيها از روي جداول Q
-
انتخاب ويژگيهاي غالب
-
طبقه بندي كننده پايه هاي محلي بهينه
-
جمع بندي
-
-
فصل سوم
-
مقدمه
-
بررسي رفتار پايه هاي محلي بهينه درفضاهاي مختلف چهره
-
آزمايش بر روي بانك داده CAS‐PEAL‐R
-
آزمايش بر روي بانك داده PIE
-
آزمايش بر روي بانك داده AR
-
آزمايش بر روي بانك داده ORL
-
آزمايش بر روي بانك داده YALE
-
مقايسه با روشهاي نوين و كارآمد شناسايي چهره
-
الگوريتم SDA
-
الگوريتم enLDA
-
الگوريتم rsLDA
-
مقايسه بر روي بانك داده YALE و ORL
-
بررسي منحني هاي امتياز تجمعي شناسايي CMR
-
جمع بندي
-
-
فصل چهارم
-
مقدمه
-
پايه هاي محلي بهينه مرتبه دوم
-
تنظيم پارامترهاي الگوريتم يادگيري
-
پيچيدگي محاسباتي پايه هاي محلي بهينه
-
1 پيچيدگي يادگيري پايه هاي محلي بهينه
-
2 پيچيدگي دسته بندي پايه هاي محلي بهينه
-
4 ايده هايي براي تعميم الگوريتم پايه هاي محلي بهينه
-
5 پايه هاي محلي بهينه و تشخيص اجسام
-
6 پايه هاي محلي بهينه و الگوريتمهاي يادگيري منيفولد
-
7 پايه هاي محلي بهينه و انتخاب ويژگي
-
8 پايه هاي محلي بهينه و كميته هاي يادگيري
-
9 حركت به سمت توصيفهاي عمومي تر و يادگيري با همكاري
-
10 تلفيق فضاهاي ويژگي
-
جمع بندي
-
-
فصل پنجم
-
مقدمه
-
پايه هاي محلي بهينه تعميم يافته
-
معيار خود شباهتي
-
exOLB هاي تقريباً مشابه
-
يادگيري افزايشي
-
الگوريتم يادگيري افزايشي
-
يادگيري تدريجي
-
الگوريتم يادگيري تدريجي
-
شبيه سازيهاي انجام شده
-
يادگيري افزايشي
-
يادگيري تدريجي
-
جمع بندي
-
-
فصل ششم
-
پيوست
-
بانك داده AR
-
بانك داده CAS-PEAL
-
بانك داده CMU-PIE
-
بانك داده ORL
-
بانك داده UMIST
-
بانك داده YALE
-
بانك داده YALE-B
-
بانك داده FERET
-
مراجع
-
فهرست اشكال
-
فهرست جداول
***************************************************************************************
در صورت تمایل
به دریافت فایل فوق در مدت 10 دقیقه ، لطفاً اینجا کلیک
کنید
***************************************************************************************
مشاوره ؛نگارش پایان نامه ؛ مقاله + شبیه سازی
در تمام مقاطع دانشگاهی پذیرفته می شود
در صورت
تمایل می توانید عنوان و جزئیات پروژه خود را در قسمت نظرات این پست
اعلام فرمایید. ضمنا می توانید اطلاعات درخواستی خود را به ایمیل یا تلگرام
نمایید
ایمیل :
com.dr@yahoo.com
درباره :
پردازش تصوير , پردازش تصویر ,
|