یادگیری خصوصیت (ویژگی) چند مدلی چند کاناله برای تشخیص چهره

شرایط مختلف برای حمل اطلاعات، اثبات شده است. هدف این مقاله، مطالعه مدل های چندگانه و کانال ها/ نواحی صورت چندگانه (برای مثال متدهای یادگیری غیر نظارتی و دست ساز) برای پاسخگویی به مسئله تشخیص چهره، است. تکنیک های یادگیری خصوصیت عمیق و دست ساز ارائه شده و در تخمین خصوصیات متمایز کننده در مسائل تشخیص شی، به کار گرفته شده اند. در سیستم های یادگیری جدید که متد تغییر جهت ضرب کننده ها (AE) ما یک بهینه سازی رمزنگاری خودکار ،(McMmFL) خصوصیت چند مدلی چند کاناله ما، تقسیم فرمولاسیون انرژی در چند واحد فرعی که می توانند AE را یکپارچه می کند، را ارائه کردیم. یکی از مزیت های (ADMM) ۱ و K-mean برای توزیع/ از کار انداختن وظایف بهینه سازی استفاده شوند، می باشد. علاوه بر این، متد ارائه شده از مزیت خوشه بندی از بهترین نتایج گزارش شده McMmFL . برای ارتقاء نرخ های تشخیص، استفاده می کند (HOG) ( هیستوگرا م ۲ های مدرج (شیب دار PubFig و ۸۳ ،Yale ،AR در مقالات در زمینه سه مجموعه داده محک مربوط به صورت، یعنی ، % با نرخ های آنها به ترتیب ۹۵.۰۴ ۹۵.۸۵% ، است، بهتر اجرا می کند.

Keywords:

یادگیری بی نظیر , شناسایی چهره , اتوکدرر , برآورد انبوه , ADMM