Yazar
Büyüktaş, Barış, Eroğlu Erdem, Ç., Erdem, Tanju
Basım Tarihi
2023-05
Basım Yeri
-
Elsevier
Konu
Yüz tanıma, Aktif öğrenme, Kendi kendine öğrenme, Minimum seyrek yeniden yapılandırma, Derin öğrenme
Tür
Süreli Yayın
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
1051-2004
Kayıt Numarası
b6c06785-edee-4440-9e14-3a35e25c2fd2
Lokasyon
Bilgisayar Bilimi
Tarih
2023-05
Notlar
TÜBİTAK
Örnek Metin
Bu yazıda, eğitimin küçük bir insan açıklamalı yüz görüntüsü seti ile başlatıldığı ve daha sonra minimum insan açıklama çabasıyla yeni görüntülerin eğitim setine dahil edildiği geliştirilmiş bir yüz tanıma çerçevesi öneriyoruz. Yeni görüntüler için insan açıklama çabasını en aza indirmek amacıyla önerilen çerçeve, kendi temposunda öğrenme (SPL), aktif öğrenme (AL) ve minimum seyrek yeniden yapılandırma (MSR) olmak üzere üç farklı stratejiyi birleştirir. Yakın zamanda önerilen ASPL çerçevesinde [1] olduğu gibi, SPL, sınıflandırıcıların oldukça emin olduğu kolay görüntülere otomatik açıklama eklemek için kullanılır ve AL, zor veya güvenilirliği düşük görüntülere açıklama eklemek için bir uzmandan yardım istemek için kullanılır. Bu çalışmada, insan açıklaması gerektiren görüntülerin sayısını daha da azaltmak amacıyla minimum seyrek yeniden yapılandırma kullanarak çeşitliliğe dayalı düşük güvenilirliğe sahip görüntüleri alt örneklemek için MSR'yi kullanmayı öneriyoruz. Böylece önerilen çerçeve, AL tarafından insan açıklaması için seçilen kümeden "benzer" görüntüleri ortadan kaldırmak için MSR'yi kullanarak yakın zamanda önerilen ASPL çerçevesi [1] üzerinde bir gelişme sağlar. CASIA-WebFace-Sub ve CACD olmak üzere iki büyük ölçekli veri seti üzerinde yapılan deneysel sonuçlar, ASPL-MSR adı verilen önerilen yöntemin, en son teknolojiye kıyasla önemli ölçüde daha az uzman açıklamalı veri kullanarak benzer yüz tanıma performansı elde edebildiğini göstermektedir. Özellikle ASPL-MSR, tüm eğitim verilerinin gerçek etiketlerle kullanıldığı durumla aynı yüz tanıma performansını elde etmek için CACD ve CASIA-WebFace-Sub veri kümelerindeki verilerin sırasıyla yalnızca %36,10 ve %54,10'unun manuel olarak açıklanmasını gerektirir. Deney sonuçları, ASPL'ye kıyasla iki veri setinde manuel olarak açıklama eklenmiş örneklerin sayısının yaklaşık %4 ve %2 oranında azaldığını göstermektedir [1].
DOI
10.1016/j.dsp.2023.103915
Cilt
136
