بازگشت به جستجو

یادگیری بیشتر با برچسب زدن کمتر برای تشخیص چهره

عنوان	یادگیری بیشتر با برچسب زدن کمتر برای تشخیص چهره
نویسنده	Büyüktaş، Barış، Eroğlu Erdem، Ç.، Erdem، Tanju
تاریخ انتشار:	2023-05
محل انتشار	- الزویر
موضوع	تشخیص چهره، یادگیری فعال، یادگیری خودگام، حداقل بازسازی پراکنده، یادگیری عمیق
نوع	دوره ای
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شناسه دارایی کتابخانه	1051-2004
شماره ثبت	b6c06785-edee-4440-9e14-3a35e25c2fd2
محل کتابخانه	علوم کامپیوتر
تاریخ	2023-05
یادداشت‌ها	TÜBİTAK
متن نمونه	در این مقاله، ما یک چارچوب تشخیص چهره بهبودیافته را پیشنهاد می‌کنیم که در آن آموزش با مجموعه‌ای کوچک از تصاویر چهره مشروح‌شده انسان آغاز می‌شود و سپس تصاویر جدید با حداقل تلاش برای حاشیه‌نویسی انسان در مجموعه آموزشی گنجانده می‌شوند. به منظور به حداقل رساندن تلاش انسان برای حاشیه نویسی برای تصاویر جدید، چارچوب پیشنهادی سه استراتژی مختلف، یعنی یادگیری خودگام (SPL)، یادگیری فعال (AL)، و حداقل بازسازی پراکنده (MSR) را ترکیب می کند. همانطور که در چارچوب ASPL اخیرا پیشنهاد شده [1]، SPL برای حاشیه نویسی خودکار تصاویر آسان استفاده می شود، که طبقه بندی کننده ها بسیار مطمئن هستند و AL برای درخواست کمک از یک متخصص برای حاشیه نویسی تصاویر دشوار یا کم اعتماد استفاده می شود. در این کار، ما پیشنهاد می‌کنیم که از MSR برای نمونه‌برداری فرعی از تصاویر کم‌اعتماد بر اساس تنوع با استفاده از حداقل بازسازی پراکنده استفاده کنیم تا تعداد تصاویری که نیاز به حاشیه‌نویسی انسانی دارند کاهش یابد. بنابراین، چارچوب پیشنهادی با استفاده از MSR برای حذف تصاویر «مشابه» از مجموعه انتخاب شده توسط AL برای حاشیه نویسی انسانی، نسبت به چارچوب اخیر پیشنهادی ASPL [1] بهبودی را ارائه می دهد. نتایج تجربی بر روی دو مجموعه داده در مقیاس بزرگ، یعنی CASIA-WebFace-Sub و CACD نشان می‌دهد که روش پیشنهادی به نام ASPL-MSR می‌تواند با استفاده از داده‌های مشروح کارشناسان کمتر در مقایسه با پیشرفته‌ترین، عملکرد تشخیص چهره مشابهی را به دست آورد. به طور خاص، ASPL-MSR فقط به شرح دستی تنها 36.10٪ و 54.10٪ از داده ها در مجموعه داده های CACD و CASIA-WebFace-Sub، برای دستیابی به همان عملکرد تشخیص چهره مانند زمانی که کل داده های آموزشی با برچسب های حقیقت زمینی استفاده می شود، نیاز دارد. نتایج تجربی نشان می‌دهد که تعداد نمونه‌های حاشیه‌نویسی دستی در مقایسه با ASPL تقریباً 4% و 2% در دو مجموعه داده کاهش یافته است.
DOI	10.1016/j.dsp.2023.103915
Cilt	136

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

یادگیری بیشتر با برچسب زدن کمتر برای تشخیص چهره

نویسنده Büyüktaş، Barış، Eroğlu Erdem، Ç.، Erdem، Tanju

تاریخ انتشار 2023-05

محل انتشار - الزویر

موضوع تشخیص چهره، یادگیری فعال، یادگیری خودگام، حداقل بازسازی پراکنده، یادگیری عمیق

نوع دوره ای

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شناسه دارایی کتابخانه 1051-2004

شماره ثبت b6c06785-edee-4440-9e14-3a35e25c2fd2

محل کتابخانه علوم کامپیوتر

تاریخ 2023-05

یادداشت‌ها TÜBİTAK

متن نمونه در این مقاله، ما یک چارچوب تشخیص چهره بهبودیافته را پیشنهاد می‌کنیم که در آن آموزش با مجموعه‌ای کوچک از تصاویر چهره مشروح‌شده انسان آغاز می‌شود و سپس تصاویر جدید با حداقل تلاش برای حاشیه‌نویسی انسان در مجموعه آموزشی گنجانده می‌شوند. به منظور به حداقل رساندن تلاش انسان برای حاشیه نویسی برای تصاویر جدید، چارچوب پیشنهادی سه استراتژی مختلف، یعنی یادگیری خودگام (SPL)، یادگیری فعال (AL)، و حداقل بازسازی پراکنده (MSR) را ترکیب می کند. همانطور که در چارچوب ASPL اخیرا پیشنهاد شده [1]، SPL برای حاشیه نویسی خودکار تصاویر آسان استفاده می شود، که طبقه بندی کننده ها بسیار مطمئن هستند و AL برای درخواست کمک از یک متخصص برای حاشیه نویسی تصاویر دشوار یا کم اعتماد استفاده می شود. در این کار، ما پیشنهاد می‌کنیم که از MSR برای نمونه‌برداری فرعی از تصاویر کم‌اعتماد بر اساس تنوع با استفاده از حداقل بازسازی پراکنده استفاده کنیم تا تعداد تصاویری که نیاز به حاشیه‌نویسی انسانی دارند کاهش یابد. بنابراین، چارچوب پیشنهادی با استفاده از MSR برای حذف تصاویر «مشابه» از مجموعه انتخاب شده توسط AL برای حاشیه نویسی انسانی، نسبت به چارچوب اخیر پیشنهادی ASPL [1] بهبودی را ارائه می دهد. نتایج تجربی بر روی دو مجموعه داده در مقیاس بزرگ، یعنی CASIA-WebFace-Sub و CACD نشان می‌دهد که روش پیشنهادی به نام ASPL-MSR می‌تواند با استفاده از داده‌های مشروح کارشناسان کمتر در مقایسه با پیشرفته‌ترین، عملکرد تشخیص چهره مشابهی را به دست آورد. به طور خاص، ASPL-MSR فقط به شرح دستی تنها 36.10٪ و 54.10٪ از داده ها در مجموعه داده های CACD و CASIA-WebFace-Sub، برای دستیابی به همان عملکرد تشخیص چهره مانند زمانی که کل داده های آموزشی با برچسب های حقیقت زمینی استفاده می شود، نیاز دارد. نتایج تجربی نشان می‌دهد که تعداد نمونه‌های حاشیه‌نویسی دستی در مقایسه با ASPL تقریباً 4% و 2% در دو مجموعه داده کاهش یافته است.

DOI 10.1016/j.dsp.2023.103915

Cilt 136