بهبود تخمین زاویه سر در تحلیل چهره به کمک روش های یادگیری خودنظارتی

در تحلیل چهره یکی از مهمترین عناصر شناسایی، تخمین زاویه سر است که میزان تمرکز فرد را نشان میدهد؛ لیکن یکی از موانع اصلی برای این تخمین، هزینه برچسب گذاری تصاویر است. یکی از راه حل های جبران کمبود برچسب ها، استفاده از روش های خودنظارتی است. روش های خودنظارتی میتوانند از داده های بدون برچسب ، ویژگی های مناسب را برای وظیفه اصلی استخراج کنند. این مقاله سعی دارد که تمایز استفاده از روش های یادگیری خودنظارتی برا ی تخم ین زاویه سر را نشان دهد. به طور کلی دو رویکرد برای استفاده از روش های خودنظارتی وجود دارد: الف . پیش آموزش وزن های شبکه ؛ب . استفاده به عنوان یک وظیفه کمکی در کنار یادگیری بانظارت. در این مقاله با طراحی معماری یادگیری چند وظیفه ای ترکیبی و مقایسه آن با روش خودنظارتی «چرخاندن» و «پازل کردن» سعی شده تاثیر استفاده از روش های خودنظارتی بررسی شود. نتایج نشان داد که استفاده از روش چرخاندن برای پیش آموزش وزن ها و پازل کردن به عنوان وظ یفه خودنظارتی کمکی برای تخمین زاویه سر، بهترین عملکرد را داراست. در این حالت میانگین خطا در مقایسه با روش بانظارت ۱۳ درصد کاهش مییابدکه قابل مقایسه با کارآمدترین روشها است.

Keywords:

یادگیری خودنظارتی , یادگیری بانظارت , تخمین زاویه سر , یادگیری چندوظیفه ای , یادگیری ژرف