یادگیری برنامه درسی برای تشخیص چهره

عنوان یادگیری برنامه درسی برای تشخیص چهره
نویسنده Büyüktaş، Barış، Erdem، Ç. ای.، اردم، تانجو
تاریخ انتشار: 2021
محل انتشار - IEEE
موضوع یادگیری برنامه درسی، یادگیری عمیق، تشخیص چهره
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 2076-1465
شماره ثبت 76b63415-6eeb-4e31-870f-bf2dc602839a
محل کتابخانه علوم کامپیوتر
تاریخ 2021
متن نمونه ما یک الگوریتم یادگیری برنامه درسی جدید (CL) برای تشخیص چهره با استفاده از شبکه‌های عصبی کانولوشن ارائه می‌کنیم. یادگیری برنامه درسی از این واقعیت الهام گرفته شده است که انسان ها بهتر یاد می گیرند، زمانی که اطلاعات ارائه شده به گونه ای سازماندهی شود که ابتدا مفاهیم آسان و سپس مفاهیم پیچیده تر را پوشش دهد. در ادبیات نشان داده شده است که CL همچنین برای وظایف یادگیری ماشین با امکان همگرایی به حداقل محلی بهتر مفید است. در الگوریتم CL پیشنهادی برای تشخیص چهره، مجموعه آموزشی تصاویر چهره را به زیرمجموعه هایی با دشواری فزاینده بر اساس زاویه حالت سر که از مجموع مطلق زوایای انحراف، گام و رول به دست می آید، تقسیم می کنیم. این زیر مجموعه ها به منظور افزایش سختی به CNN عمیق معرفی می شوند. نتایج تجربی روی مجموعه داده CASIA-WebFace-Sub در مقیاس بزرگ نشان می‌دهد که افزایش دقت تشخیص چهره در مقایسه با سازماندهی داده‌های آموزشی در دسته‌های تصادفی، هنگام استفاده از CL از نظر آماری معنی‌دار است.
DOI 10.23919/Eusipco47968.2020.9287639
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات دانشگاه اوزیغین

یادگیری برنامه درسی برای تشخیص چهره

نویسنده Büyüktaş، Barış، Erdem، Ç. ای.، اردم، تانجو
تاریخ انتشار 2021
محل انتشار - IEEE
موضوع یادگیری برنامه درسی، یادگیری عمیق، تشخیص چهره
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 2076-1465
شماره ثبت 76b63415-6eeb-4e31-870f-bf2dc602839a
محل کتابخانه علوم کامپیوتر
تاریخ 2021
متن نمونه ما یک الگوریتم یادگیری برنامه درسی جدید (CL) برای تشخیص چهره با استفاده از شبکه‌های عصبی کانولوشن ارائه می‌کنیم. یادگیری برنامه درسی از این واقعیت الهام گرفته شده است که انسان ها بهتر یاد می گیرند، زمانی که اطلاعات ارائه شده به گونه ای سازماندهی شود که ابتدا مفاهیم آسان و سپس مفاهیم پیچیده تر را پوشش دهد. در ادبیات نشان داده شده است که CL همچنین برای وظایف یادگیری ماشین با امکان همگرایی به حداقل محلی بهتر مفید است. در الگوریتم CL پیشنهادی برای تشخیص چهره، مجموعه آموزشی تصاویر چهره را به زیرمجموعه هایی با دشواری فزاینده بر اساس زاویه حالت سر که از مجموع مطلق زوایای انحراف، گام و رول به دست می آید، تقسیم می کنیم. این زیر مجموعه ها به منظور افزایش سختی به CNN عمیق معرفی می شوند. نتایج تجربی روی مجموعه داده CASIA-WebFace-Sub در مقیاس بزرگ نشان می‌دهد که افزایش دقت تشخیص چهره در مقایسه با سازماندهی داده‌های آموزشی در دسته‌های تصادفی، هنگام استفاده از CL از نظر آماری معنی‌دار است.
DOI 10.23919/Eusipco47968.2020.9287639
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید