دانلود ترجمه مقاله ادغام تفکیک کننده بیشترین حاشیه محلی (LMMDE) برای تشخیص چهره
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:2013
تعداد صفحه ترجمه:26
تعداد صفحه فایل انگلیسی:10
موضوع انگلیسی :Local maximal margin discriminant embedding for face recognition
موضوع فارسی: دانلود ترجمه مقاله ادغام تفکیک کننده بیشترین حاشیه محلی (LMMDE) برای تشخیص چهره
چکیده انگلیسی:In this paper, a manifold learning based method named local maximal margin discriminant embedding
(LMMDE) is developed for feature extraction. The proposed algorithm LMMDE and other manifold learning
based approaches have a point in common that the locality is preserved. Moreover, LMMDE takes consideration
of intra-class compactness and inter-class separability of samples lying in each manifold. More
concretely, for each data point, it pulls its neighboring data points with the same class label towards it as
near as possible, while simultaneously pushing its neighboring data points with different class labels
away from it as far as possible under the constraint of locality preserving. Compared to most of the
up-to-date manifold learning based methods, this trick makes contribution to pattern classification from
two aspects. On the one hand, the local structure in each manifold is still kept in the embedding space;
one the other hand, the discriminant information in each manifold can be explored. Experimental results
on the ORL, Yale and FERET face databases show the effectiveness of the proposed method
چکیده فارسی:در این مقاله یک روش مبتنی بر یادگیری چند شاخه ای تحت عنوان LMMDE برای استخراج ویژگی یشنهاد می شود. الگوریتم محلی پیشنهادی و دیگر رویه های مبتنی بر یادگیری چند شاخه ای، دارای این نقطه مشترک هستند که ویژگی محلی بودن در آنها حفظ می شود. به علاوه LMMDE فشردگی درون هر کلاس و قابلیت جداسازی بین کلاس های مختلف از نمونه هایی که در هر شاخه قرار گرفته اند، را بررسی می کند. به علاوه برای هر نقطه داده، نقاط داده مجاور را با یک برچسب کلاس در نظر می گیرد که باید تا حد ممکن به هم نزدیک باشند، در حالی که به صورت همزمان، نقاط داده ی مجاور را با برچسب های کلاس های مختلف، تا حد ممکن دور از هم نگه می دارد، تحت این محدودیت که باید ویژگی محلی بودن حفظ شود. این روش در قیاس با اغلب روش های مبتنی بر یادگیری چندشاخه ای به روز شده، سبب دسته بندی الگو از دو جنبه می شود. از یک سو ساختار محلی در هر شاخه همچنان در فضای ادغام شده حفظ می شود و از سوی دیگر، اطلاعات تفکیک سازی در هر شاخه را می توان بررسی کرد. نتایج آزمایشات بر روی پایگاه داده های چهره ی ORL, Yale, FERET نشان دهنده ی کارایی روش پیشنهادی است.
