تغييرات شدت و جهت تابش نور یکی از مهمترین چالشهای مطرح در سيستمهاي شناسایی چهره است كه منجر به ايجاد سايههاي عادي و غير عادي متفاوتي در تصوير چهره ميشود. امروزه روشهاي مختلفي براي بازشناسي چهره تحت شرايط نوري متفاوت ارائه شدهاند كه بسياري از آنها نياز به دانش قبل چکیده کامل
تغييرات شدت و جهت تابش نور یکی از مهمترین چالشهای مطرح در سيستمهاي شناسایی چهره است كه منجر به ايجاد سايههاي عادي و غير عادي متفاوتي در تصوير چهره ميشود. امروزه روشهاي مختلفي براي بازشناسي چهره تحت شرايط نوري متفاوت ارائه شدهاند كه بسياري از آنها نياز به دانش قبلي در مورد منبع نور و زاويه تابش دارند. در اين مقاله رویکردی مبتني بر روشهاي يادگيري برای استخراج دانش مربوط به زاويه نورپردازي در تصاوير چهره پيشنهاد شده است. ابتدا ویژگیهای DCT مؤثر در تغييرات نور از تصوير استخراج شده و پس از نرمالسازي، جهت تعيين کلاسهای نوری مورد استفاده قرار ميگيرند. براي یادگیری کلاسهای نوری از سه الگوریتم درخت تصميم، SVM و الگوريتم مبتني بر بيز WAODE استفاده شده و عملكرد آنها ارزيابي شده است. نتایج بهدست آمده روي پایگاههای تصویری YaleB و ExtendedYale نشان ميدهد كه SVM بهترین متوسط دقت را برای طبقهبندی تصاویر چهره در نورپردازیهای مختلف ارائه میدهد. در حالی که طبقهبند بیزی WAODE به دلیل مقاومت بهتر در برابر فقدان داده، براي کلاسهای نوری با زاویه تابش زیاد نتایج بهتری را ارائه میدهد.
پرونده مقاله
الگوریتم ماشین بردار پشتیبان یکی از الگوریتمهای مشهور و با کارایی بالا در یادگیری ماشین و کاربردهای مختلف است. از این الگوریتم تا کنون نسخههای متعددی ارائه شده که آخرین نسخه آن ماشینهای بردار پشتیبان دوقلوی مربعات حداقلی فازی میباشد. اغلب کاربردها در دنیای امروز دار چکیده کامل
الگوریتم ماشین بردار پشتیبان یکی از الگوریتمهای مشهور و با کارایی بالا در یادگیری ماشین و کاربردهای مختلف است. از این الگوریتم تا کنون نسخههای متعددی ارائه شده که آخرین نسخه آن ماشینهای بردار پشتیبان دوقلوی مربعات حداقلی فازی میباشد. اغلب کاربردها در دنیای امروز دارای حجم انبوهی از اطلاعات هستند. از سویی دیگر یکی از جنبههای مهم دادههای حجیم، جریانیبودن آنها میباشد که باعث شده است بسیاری از الگوریتمهای سنتی، کارایی لازم را در مواجهه با آن نداشته باشند. در این مقاله برای نخستین بار نسخه افزایشی الگوریتم ماشینهای بردار پشتیبان دوقلوی مربعات حداقلی فازی، در دو حالت برخط و شبه برخط ارائه شده است. برای بررسی صحت و دقت الگوریتم ارائهشده دو کاربرد آن مورد ارزیابی قرار گرفته است. در یک کاربرد، این الگوریتم بر روی 6 دیتاست مخزن UCI اجرا شده که در مقایسه با سایر الگوریتمها از کارایی بالاتری برخوردار است. حتی این کارایی در مقایسه با نسخههای غیر افزایشی نیز کاملاً قابل تشخیص است که در آزمایشها به آن پرداخته شده است. در کاربرد دوم، این الگوریتم در مبحث اینترنت اشیا و به طور خاص در دادههای مربوط به فعالیت روزانه به کار گرفته شده است. طبق نتایج آزمایشگاهی، الگوریتم ارائهشده بهترین کارایی را در مقایسه با سایر الگوریتمهای افزایشی دارد.
پرونده مقاله