پروژه جهت کسب درجه دکتری برق - مخابرات با عنوان شناسايي چهره از طريق يادگيري پايه هاي محلي بهينه ( ّFace Recognition through Optimal basis Learning ) آماده دریافت می باشد.چکیدهدر این پروژه با نگاه موشکافانه به نقصانهای روشهای خود کار شناسایی چهره و الهام از رفتار فرصت طلبانه سیستم شناسایی انسان، یک راهکار جدید برای مدلسازی محلی منیفولد چهره با نام پایه های محلی بهینه ارائه خواهد شد. امروزه روشهای یادگیری آماری متداولترین راهکارهای شناسایی چهره به شمار می آیند. در یک نگاه کلان این روشها از یک نقصان بزرگ رنج می برند. ثابت شده است که با انتخاب هوشمندانه زیرمجموعه ای از فضای چهره تولید شده توسط الگوریتمهای یادگیری آماری، می توان به توصیف های مناسبتری برای منیفولد چهره رسید. اما نقصان بزرگ آن است که در تمامی روشهای ارائه شده تنها یک زیرفضای ثابت (مجموعه ویژگی) برای توصیف تمام منیفولد چهره معرفی میشد و راهکاری پیشنهاد نشده است تا بتوان تعدادی زیرفضای مناسب برای تکه های مختلف منیفولد چهره انتخاب نمود. از سویی دیگر ارائه توصیفهای محلی از منیفولد چهره مسیر تحقیقاتی دیگری است که مورد توجه برخی از پژوهشگران قرار گرفته است. راهکارهای ارائه شده در این زمینه با استفاده از روشهای خوشه بندی، تصاویر چهره را به دسته هایی تقسیم می کنند و سپس برای برای هر خوشه از تصاویر، یک فضای چهره طراحی میشود. ایراد اساسی که به این روشها وارد است عدم وجود مکانیزم مناسب و مستدلی برای خوشه بندی تصاویر است. به عنوان مثال قرار دادن تصاویر اخذ شده از یک زاویه سر الزاماً نمیتواند به تولید فضایی مناسب برای شناسایی توسط ماشین منجر شود. مجموعه این آگاهیها انگیزه ای شد برای تأمل و تفکر و در نهایت طراحی یک ماشین یادگیری برای شناسایی چهره و رسیدن به نقطه کنونی. پایه های محلی بهینه یک مجموعه نگاشت غیرایزومتریک برای تقریب محلی منیفولد چهره هستند که با استفاده از یادگیری تقویتی - که نوع خاصی از روشهای یادگیری شبه سرپرستی ( Semi‐Supervised ) است - حاصل میشوند. در پایه های محلی بهینه، انتخاب نگاشتهای غیرایزومتریک با هدف بیشینه کردن قدرت تفکیک پذیری کلاسهای مجاور در فضای چهره صورت می پذیرد. استفاده از یادگیری تقویتی و مدلسازی مسأله انتخاب نگاشتها با فرآیند تصمیم گیری مارکف، عمل انتخاب نگاشتهای غیر ایزومتریک را ساده تر می نماید و حجم جستجوها را کاهش می دهد. الگوریتم پایه های محلی بهینه نه تنها ویژگیهای غالب را برای تکه های مختلف منیفولد چهره به صورت خودکار می یابد بلکه مکانیزم مناسبی برای مقایسه شباهت در فضاهایی که از لحاظ ابعاد و نوع ویژگیها یکسان نمی باشند ارائه می نماید.پس از توصیف الگوریتم پایه های محلی بهینه، این روش شناسایی را از منظر ادبیات و دانش انتخاب ویژگی مورد بررسی قرار خواهیم داد. خواهیم دیدیم که الگوریتم پایه های محلی بهینه به مجموعه روشهای پوشه در انتخاب ویژگی تعلق دارد و قرابت زیادی با روشهای انتخاب مستقیم در ادبیات انتخاب ویژگی دارد. همچنین شباهتها و تفاوتهای الگوریتم پایه های محلی بهینه با کمیته های یادگیری و روشهای محلی یادگیری منیفولد را بررسی خواهیم کرد.با انجام شبیه سازیهای مختلف به بررسی کارایی الگوریتم پایه های محلی بهینه در شرایط مختلف تصویربرداری خواهیم پرداخت. برای آنالیز کارایی الگوریتم پایه های محلی بهینه از دو معیار نرخ صحیح شناسایی و منحنی های امتیاز تجمعی شناسایی استفاده خواهیم کرد. با بررسی رفتار الگوریتم پیشنهادی در فضاهای مختلف چهره خواهیم دید که الگوریتم پایه های محلی بهینه مستقل از نوع ویژگیهای ورودی قادر به بهبود کیفیت شناسایی است. سپس با مقایسه الگوریتم پیشنهادی با روشهای کارا و نوین شناسایی چهره که از ایده هایی مشابه استفاده می کنند، نشان خواهیم داد که الگوریتم پیشنهادی از طیف وسیعی از روشهای کارا و بروز شناسایی چهره، قابل تر و کاراتر است.در نهایت نیز خواهیم دید که بر خلاف بسیاری از الگوریتمهای کنونی شناسایی چهره، با تعمیم الگوریتم پایه های محلی بهینه میتوان از آن در مسائلی که محیط شناسایی در آن پویا است استفاده نمود. به طور خاصی دو منشا تغییر در محیط را مورد بررسی قرار خواهیم داد، نخست به بررسی تغییرات ناشی از اضافه نمودن کلاسهای جدید به محیط تحت یادگیری افزایشی می پردازیم. سپس توجه خود را به حالتی معطوف می کنیم که به واسطه کسب دانش جدید، فضای ویژگی پایه های محلی بهینه افزایش پیدا می کند. در این حالت با استفاده از یادگیری تدریجی (که مفهومی جدید در حوزن شناسایی چہرہ است) میتوان دانش اکتسابی گذشته را اصلاح نمود.فهرست مطالب ديباچهمقدمهفصل اول : روشهای شناسایی چهرهمقدمه1-1 معرفي سيستم خودكار شناسايي چهره2-1 روشهاي مدل گرا3-1 روشهاي ظاهر گرا1-3-1 آناليز اجزاي اصلي ( PCA )2-3-1 آناليز تفكيك پذيري خطي ( LDA )3-3-1 آناليز اجزاي مستقل ( ICA )4-3-1 يادگيري منيفولد5-3-1 ماشينهاي هسته6-3-1 آناليز تنسور4-1 آيا شدت روشنايي پيكسلها بهترين انتخاب براي توصيف چهره است؟5-1 از بيولوژي شناسايي چهره چه مي دانيم؟6-1 مقايسه برخي از روشهاي شناسايي چهرهفصل دوم : پايه هاي محلي بهينهمقدمه1-2 انگيزه1-1-2 منظر اول : رفتار فرصت طلبانه2-1-2 منظر دوم : انتخاب ويژگيهاي غالب3-1-2 منظر سوم : تركيب طبقه بندي كنندهها و مدل سازي محلي منيفولد2-2 پايه هاي محلي بهينه1-2-2 تعريف2-2-2 مدل محيط3-2-2 طراحي سيگنال پاداش4-2-2 انتخاب اعمال5-2-2 چيدن تكه هاي پازل يادگيري در كنار هم6-2-2 مرتب كردن ويژگيها از روي جداول Q7-2-2 انتخاب ويژگيهاي غالب3-2 طبقه بندي كننده پايه هاي محلي بهينهجمع بندیفصل سوم : آزمايشها و نتايجمقدمه1-3 بررسي رفتار پايه هاي محلي بهينه درفضاهاي مختلف چهره1-1-3 آزمايش بر روي بانك داده CAS‐PEAL‐R1 2-1-3 آزمايش بر روي بانك داده PIE3-1-3 3 آزمايش بر روي بانك داده AR4-1-3 آزمايش بر روي بانك داده ORL5-1-3 آزمايش بر روي بانك داده YALE2-3 مقايسه با روشهاي نوين و كارآمد شناسايي چهره1-2-3 الگوريتم SDA2-2-3 الگوريتم enLDA3-2-3 الگوريتم rsLDA4-2-3 4 مقايسه بر روي بانك داده ORL و YALE3-3 بررسي منحني هاي امتياز تجمعي شناسايي ( CMR )جمع بندیفصل چهارم : پايه هاي محلي بهينه ، بحثهاي تكميليمقدمه1-4 پايه هاي محلي بهينه مرتبه دوم2-4 تنظيم پارامترهاي الگوريتم يادگيري3-4 پيچيدگي محاسباتي پايه هاي محلي بهينه1-3-4 پيچيدگي يادگيري پايه هاي محلي بهينه2-3-4 پيچيدگي دسته بندي پايه هاي محلي بهينه4-4 ايده هايي براي تعميم الگوريتم پايه هاي محلي بهينه5-4 پايه هاي محلي بهينه و تشخيص اجسام6-4 پايه هاي محلي بهينه و الگوريتمهاي يادگيري منيفولد7-4 پايه هاي محلي بهينه و انتخاب ويژگي8-4 پايه هاي محلي بهينه و كميته هاي يادگيري9-4 حركت به سمت توصيفهاي عمومي تر و يادگيري با همكاري10-4 تلفيق فضاهاي ويژگيجمع بندیفصل پنجم : يادگيري افزايشي و يادگيري تدريجيمقدمه1-5 پايه هاي محلي بهينه تعميم يافته1-1-5 معيار خود شباهتي2-1-5 exOLB هاي تقريباً مشابه2-5 يادگيري افزايشي1-2-5 الگوريتم يادگيري افزايشي3-5 يادگيري تدريجي1-3-5 الگوريتم يادگيري تدريجي4-5 شبيه سازيهاي انجام شده1-4-5 يادگيري افزايشي2-4-5 يادگيري تدريجيجمع بندیفصل ششم : جمع بندي و نتيجه گيريپيوست1 بانك داده AR2 بانك داده CAS-PEAL3 بانك داده CMU-PIE4 بانك داده ORL5 بانك داده UMIST6 بانك داده YALE7 بانك داده YALE-B8 بانك داده FERETمراجع
پروژه جهت کسب درجه دکتری برق - مخابرات با عنوان شناسايي چهره از طريق يادگيري پايه هاي محلي بهينه ( ّFace Recognition through Optimal basis Learning ) آماده دریافت می باشد.چکیدهدر این پروژه با نگاه موشکافانه به نقصانهای روشهای خود کار شناسایی چهره و الهام از رفتار فرصت طلبانه سیستم شناسایی انسان، یک راهکار جدید برای مدلسازی محلی منیفولد چهره با نام پایه های محلی بهینه ارائه خواهد شد. امروزه روشهای یادگیری آماری متداولترین راهکارهای شناسایی چهره به شمار می آیند. در یک نگاه کلان این روشها از یک نقصان بزرگ رنج می برند. ثابت شده است که با انتخاب هوشمندانه زیرمجموعه ای از فضای چهره تولید شده توسط الگوریتمهای یادگیری آماری، می توان به توصیف های مناسبتری برای منیفولد چهره رسید. اما نقصان بزرگ آن است که در تمامی روشهای ارائه شده تنها یک زیرفضای ثابت (مجموعه ویژگی) برای توصیف تمام منیفولد چهره معرفی میشد و راهکاری پیشنهاد نشده است تا بتوان تعدادی زیرفضای مناسب برای تکه های مختلف منیفولد چهره انتخاب نمود. از سویی دیگر ارائه توصیفهای محلی از منیفولد چهره مسیر تحقیقاتی دیگری است که مورد توجه برخی از پژوهشگران قرار گرفته است. راهکارهای ارائه شده در این زمینه با استفاده از روشهای خوشه بندی، تصاویر چهره را به دسته هایی تقسیم می کنند و سپس برای برای هر خوشه از تصاویر، یک فضای چهره طراحی میشود. ایراد اساسی که به این روشها وارد است عدم وجود مکانیزم مناسب و مستدلی برای خوشه بندی تصاویر است. به عنوان مثال قرار دادن تصاویر اخذ شده از یک زاویه سر الزاماً نمیتواند به تولید فضایی مناسب برای شناسایی توسط ماشین منجر شود. مجموعه این آگاهیها انگیزه ای شد برای تأمل و تفکر و در نهایت طراحی یک ماشین یادگیری برای شناسایی چهره و رسیدن به نقطه کنونی. پایه های محلی بهینه یک مجموعه نگاشت غیرایزومتریک برای تقریب محلی منیفولد چهره هستند که با استفاده از یادگیری تقویتی - که نوع خاصی از روشهای یادگیری شبه سرپرستی ( Semi‐Supervised ) است - حاصل میشوند. در پایه های محلی بهینه، انتخاب نگاشتهای غیرایزومتریک با هدف بیشینه کردن قدرت تفکیک پذیری کلاسهای مجاور در فضای چهره صورت می پذیرد. استفاده از یادگیری تقویتی و مدلسازی مسأله انتخاب نگاشتها با فرآیند تصمیم گیری مارکف، عمل انتخاب نگاشتهای غیر ایزومتریک را ساده تر می نماید و حجم جستجوها را کاهش می دهد. الگوریتم پایه های محلی بهینه نه تنها ویژگیهای غالب را برای تکه های مختلف منیفولد چهره به صورت خودکار می یابد بلکه مکانیزم مناسبی برای مقایسه شباهت در فضاهایی که از لحاظ ابعاد و نوع ویژگیها یکسان نمی باشند ارائه می نماید.پس از توصیف الگوریتم پایه های محلی بهینه، این روش شناسایی را از منظر ادبیات و دانش انتخاب ویژگی مورد بررسی قرار خواهیم داد. خواهیم دیدیم که الگوریتم پایه های محلی بهینه به مجموعه روشهای پوشه در انتخاب ویژگی تعلق دارد و قرابت زیادی با روشهای انتخاب مستقیم در ادبیات انتخاب ویژگی دارد. همچنین شباهتها و تفاوتهای الگوریتم پایه های محلی بهینه با کمیته های یادگیری و روشهای محلی یادگیری منیفولد را بررسی خواهیم کرد.با انجام شبیه سازیهای مختلف به بررسی کارایی الگوریتم پایه های محلی بهینه در شرایط مختلف تصویربرداری خواهیم پرداخت. برای آنالیز کارایی الگوریتم پایه های محلی بهینه از دو معیار نرخ صحیح شناسایی و منحنی های امتیاز تجمعی شناسایی استفاده خواهیم کرد. با بررسی رفتار الگوریتم پیشنهادی در فضاهای مختلف چهره خواهیم دید که الگوریتم پایه های محلی بهینه مستقل از نوع ویژگیهای ورودی قادر به بهبود کیفیت شناسایی است. سپس با مقایسه الگوریتم پیشنهادی با روشهای کارا و نوین شناسایی چهره که از ایده هایی مشابه استفاده می کنند، نشان خواهیم داد که الگوریتم پیشنهادی از طیف وسیعی از روشهای کارا و بروز شناسایی چهره، قابل تر و کاراتر است.در نهایت نیز خواهیم دید که بر خلاف بسیاری از الگوریتمهای کنونی شناسایی چهره، با تعمیم الگوریتم پایه های محلی بهینه میتوان از آن در مسائلی که محیط شناسایی در آن پویا است استفاده نمود. به طور خاصی دو منشا تغییر در محیط را مورد بررسی قرار خواهیم داد، نخست به بررسی تغییرات ناشی از اضافه نمودن کلاسهای جدید به محیط تحت یادگیری افزایشی می پردازیم. سپس توجه خود را به حالتی معطوف می کنیم که به واسطه کسب دانش جدید، فضای ویژگی پایه های محلی بهینه افزایش پیدا می کند. در این حالت با استفاده از یادگیری تدریجی (که مفهومی جدید در حوزن شناسایی چہرہ است) میتوان دانش اکتسابی گذشته را اصلاح نمود.فهرست مطالب ديباچهمقدمهفصل اول : روشهای شناسایی چهرهمقدمه1-1 معرفي سيستم خودكار شناسايي چهره2-1 روشهاي مدل گرا3-1 روشهاي ظاهر گرا1-3-1 آناليز اجزاي اصلي ( PCA )2-3-1 آناليز تفكيك پذيري خطي ( LDA )3-3-1 آناليز اجزاي مستقل ( ICA )4-3-1 يادگيري منيفولد5-3-1 ماشينهاي هسته6-3-1 آناليز تنسور4-1 آيا شدت روشنايي پيكسلها بهترين انتخاب براي توصيف چهره است؟5-1 از بيولوژي شناسايي چهره چه مي دانيم؟6-1 مقايسه برخي از روشهاي شناسايي چهرهفصل دوم : پايه هاي محلي بهينهمقدمه1-2 انگيزه1-1-2 منظر اول : رفتار فرصت طلبانه2-1-2 منظر دوم : انتخاب ويژگيهاي غالب3-1-2 منظر سوم : تركيب طبقه بندي كنندهها و مدل سازي محلي منيفولد2-2 پايه هاي محلي بهينه1-2-2 تعريف2-2-2 مدل محيط3-2-2 طراحي سيگنال پاداش4-2-2 انتخاب اعمال5-2-2 چيدن تكه هاي پازل يادگيري در كنار هم6-2-2 مرتب كردن ويژگيها از روي جداول Q7-2-2 انتخاب ويژگيهاي غالب3-2 طبقه بندي كننده پايه هاي محلي بهينهجمع بندیفصل سوم : آزمايشها و نتايجمقدمه1-3 بررسي رفتار پايه هاي محلي بهينه درفضاهاي مختلف چهره1-1-3 آزمايش بر روي بانك داده CAS‐PEAL‐R1 2-1-3 آزمايش بر روي بانك داده PIE3-1-3 3 آزمايش بر روي بانك داده AR4-1-3 آزمايش بر روي بانك داده ORL5-1-3 آزمايش بر روي بانك داده YALE2-3 مقايسه با روشهاي نوين و كارآمد شناسايي چهره1-2-3 الگوريتم SDA2-2-3 الگوريتم enLDA3-2-3 الگوريتم rsLDA4-2-3 4 مقايسه بر روي بانك داده ORL و YALE3-3 بررسي منحني هاي امتياز تجمعي شناسايي ( CMR )جمع بندیفصل چهارم : پايه هاي محلي بهينه ، بحثهاي تكميليمقدمه1-4 پايه هاي محلي بهينه مرتبه دوم2-4 تنظيم پارامترهاي الگوريتم يادگيري3-4 پيچيدگي محاسباتي پايه هاي محلي بهينه1-3-4 پيچيدگي يادگيري پايه هاي محلي بهينه2-3-4 پيچيدگي دسته بندي پايه هاي محلي بهينه4-4 ايده هايي براي تعميم الگوريتم پايه هاي محلي بهينه5-4 پايه هاي محلي بهينه و تشخيص اجسام6-4 پايه هاي محلي بهينه و الگوريتمهاي يادگيري منيفولد7-4 پايه هاي محلي بهينه و انتخاب ويژگي8-4 پايه هاي محلي بهينه و كميته هاي يادگيري9-4 حركت به سمت توصيفهاي عمومي تر و يادگيري با همكاري10-4 تلفيق فضاهاي ويژگيجمع بندیفصل پنجم : يادگيري افزايشي و يادگيري تدريجيمقدمه1-5 پايه هاي محلي بهينه تعميم يافته1-1-5 معيار خود شباهتي2-1-5 exOLB هاي تقريباً مشابه2-5 يادگيري افزايشي1-2-5 الگوريتم يادگيري افزايشي3-5 يادگيري تدريجي1-3-5 الگوريتم يادگيري تدريجي4-5 شبيه سازيهاي انجام شده1-4-5 يادگيري افزايشي2-4-5 يادگيري تدريجيجمع بندیفصل ششم : جمع بندي و نتيجه گيريپيوست1 بانك داده AR2 بانك داده CAS-PEAL3 بانك داده CMU-PIE4 بانك داده ORL5 بانك داده UMIST6 بانك داده YALE7 بانك داده YALE-B8 بانك داده FERETمراجع