مدل ترکیبی تحلیل مولفه اصلی احتمالاتی بانظارت در چارچوب کاهش بعد بدون اتلاف برای شناسایی چهره

در این مقاله ابتدا مدل بانظارت روش ترکیبی تحلیل مولفه اصلی احتمالاتی (sppcamm) ارائه شده است. سپس با در نظر گرفتن جریمه نگاشت در یادگیری مدل پیشگو روشی برای شناسایی چهره با استفاده از یک رویکرد کاهش بعد بدون اتلاف ارائه شده است. در روش پیشنهادی ابتدا یک منیفولد زیربنایی محلی خطی با استفاده از مدل ترکیبی تحلیل مولفه اصلی احتمالاتی بانظارت از نمونه داده ها به دست می آید. سپس دسته بند ماشین بردار پشتیبان با اعمال جریمه نگاشت به عنوان مدل پیشگوی مذکور با استفاده از این منیفولد محلی خطی آموزش داده میشود. بدین ترتیب از مزایای کاهش بعد در مدل پیشگو استفاده میشود، و در عین حال جلوی از دست رفتن اطلاعات مفید گرفته میشود. برای آموزش و ارزیابی روش پیشنهادی، از پایگاه داده های چهره شناخته شده استفاده شده است. روش استخراج ویژگی گابور بر روی تصاویر به کار گرفته شده است. نتایج آزمایشها نشان میدهد که روش پیشنهادی نسبت به بسیاری از روشهای معمول که کاهش بعد را انجام داده و سپس دسته بند را آموزش میدهند، و همچنین نسبت به روش جریمه نگاشت مبتنی بر مدلهای کاهش بعد خطی و غیرخطی دقت بیشتری دارد.

Supervised Probabilistic Principal Component Analysis Mixture Model in a Lossless Dimensionality Reduction Framework for Face Recognition

In this paper, we first proposed the supervised version of probabilistic principal component analysis mixture model. Then, we consider a learning predictive model with projection penalties, as an approach for dimensionality reduction without loss of information for face recognition. In the proposed method, first a local linear underlying manifold of data sles is obtained using the supervised probabilistic principal component analysis mixture model. Then, a support vector machine classifier with projection penalty is trained as a predictive model using this local linear manifold. Thus, the predictive model benefits from dimensionality reduction, while it loses minimum amount of useful information. To evaluate the proposed method, we used wellknown face recognition databases. Gabor feature extraction method have been applied to these images. The experimental results show that the proposed method has a higher classification accuracy than many of the traditional methods which use predictive models after dimensionality reduction. It also works better than the projection penalty method with linear or nonlinear based dimensionality reduction models.