دانلود ترجمه مقاله آموزش ویژگی چند مدلی- چند کاناله برای تشخیص چهره

1. مقدمه 2. روش 3. آزمایشات و نتایج 4. نتیجه گیری

روش های مختلفی برای حمل اطلاعات به اثبات رسیده است. این مقاله با هدف بررسی نحوه ایجاد مناطق / کانالهای چندگانه و چندین مدل (به عنوان مثال روشهای یادگیری دست و بدون کنترل) به مشکل تشخیص چهره پاسخ می دهد. تکنیک های یادگیری مهارت های دست و عمیق برای تعیین ویژگی های تشخیصی در مشکلات تشخیص چهره پیشنهاد شده است. در سیستم یادگیری ویژگی چند کاناله چندمنظوره ما ( (McMmFL، ما بهینه ساز رمزگشای خودکار جدیدی پیشنهاد می کنیم که روش متناوب از تکثرکننده ها را ادغام می کند. یکی از مزایای استفاده از AE ما تقسیم ساختار انرژی به چند زیر واحد است که می تواند برای تخریب / توزیع وظایف بهینه سازی استفاده شود. علاوه بر این، روش پیشنهادی از مزیت خوشه بندی K-means و هیستوگرام شیب (HOG) برای افزایش میزان تشخیص استفاده می کند. McMmFL بهترين نتايج را در مورد ادوات مربوط به سه مجموعه داده هاي فيزيکي که شامل AR، Yale و PubFig83 با مقادير 95.04٪، 98.97٪، 95.85٪ ارائه کرده است.

Different modalities have been proved to carry various information. This paper aims to study how the multiple face regions/channels and multiple models (e.g., hand-crafted and unsupervised learning methods) answer to the face recognition problem. Hand crafted and deep feature learning techniques have been proposed and applied to estimate discriminative features in object recognition problems. In our Multi-Channel Multi-Model feature learning (McMmFL) system, we propose a new autoencoder (AE) optimization that integrates the alternating direction method of multipliers (ADMM). One of the advantages of our AE is dividing the energy formulation into several sub-units that can be used to paralyze/distribute the optimization tasks. Furthermore, the proposed method uses the advantage of K-means clustering and histogram of gradients (HOG) to boost the recognition rates. McMmFL outperforms the best results reported on the literature on three benchmark facial data sets that include AR, Yale, and PubFig83 with 95.04%, 98.97%, 95.85% rates, respectively.