شماره ركورد كنفرانس :
5442
عنوان مقاله :
يك روش جديد براي بهبود كارايي دسته‌بندي بازنماييِ خَلوت
عنوان به زبان ديگر :
A New Approach for Efficiency Improvement of Sparse Representation Classification
پديدآورندگان :
بهرام آبادي محسن m.bahramabadi@shirazu.ac.ir دانشگاه شيراز , طاهري محمد motaheri@shirazu.ac.ir دانشگاه شيراز , منصوري اقبال mansoori@shirazu.ac.ir دانشگاه شيراز
كليدواژه :
نمايش خلوت , طبقه بند كارا , خوشه‌بندي , تشخيص چهره
عنوان كنفرانس :
كنفرانس ملي دستاوردهاي نوين در برق، كامپيوتر و صنايع
چكيده فارسي :
در سال‌هاي اخير طبقه‌بندي مبتني بر نمايندگي تنك به‌عنوان يك تكنيك، به طور گسترده‌اي در تشخيص چهره استفاده مي‌شود. طبقه‌بندي نمايندگي تنك ابتدا يك نمونه آزمايشي را به‌عنوان يك تركيب پراكنده از همه نمونه‌هاي آموزشي كد مي‌كند و سپس با ارزيابي اينكه كدام كلاس منجر به حداقل خطاي نمايش مي‌شود، نمونه آزمايشي را طبقه‌بندي مي‌كند. باوجوداينكه طبقه‌بندي نمايندگي تنك از دقت بالايي در طبقه‌بندي برخوردار است؛ اما به دليل استفاده از نُرم مرتبه اول از وجود مشكلاتي از جمله كند بودن زمان طبقه‌بندي رنج مي‌برد. بااين‌حال، ما در اين مقاله يكي از دلايل كند بودن اين الگوريتم را طبقه‌بندي تنبل مي‌دانيم، به همين جهت روشي را معرفي كرديم كه با استفاده از درنظرگرفتن شباهت بين نمونه‌هاي آموزشي، دسته‌بندي را در دوفاز آموزش و آزمايش انجام مي دهد. در فاز آموزش با استفاده از خوشه‌بندي نمونه‌هاي آموزشي، مشاركت كلاس‌ها را براي طبقه‌بندي در هر خوشه به دست آورديم. سپس در فاز آزمايش، با تعيين خوشه مربوط به نمونه آزمايشي، صرفا از كلاس‌هاي مرتبط با آن خوشه براي طبقه‌بندي استفاده مي كنيم. نتايج نشان مي دهد كه روش مذكور قدرت رقابتي بسياري با الگوريتم طبقه‌بندي نمايندگي تنك و ديگر الگوريتم‌هاي مشتق شده هم از نظر صحت طبقه بندي (كاربرد) هم سرعت (كارايي) را دارد.
