یک روش جدید برای بهبود کارایی دسته‌بندی بازنماییِ خَلوت

در سال‌های اخیر طبقه‌بندی مبتنی بر نمایندگی تنک به‌عنوان یک تکنیک، به طور گسترده‌ای در تشخیص چهره استفاده می‌شود. طبقه‌بندی نمایندگی تنک ابتدا یک نمونه آزمایشی را به‌عنوان یک ترکیب پراکنده از همه نمونه‌های آموزشی کد می‌کند و سپس با ارزیابی اینکه کدام کلاس منجر به حداقل خطای نمایش می‌شود، نمونه آزمایشی را طبقه‌بندی می‌کند. باوجوداینکه طبقه‌بندی نمایندگی تنک از دقت بالایی در طبقه‌بندی برخوردار است؛ اما به دلیل استفاده از نُرم مرتبه اول از وجود مشکلاتی از جمله کند بودن زمان طبقه‌بندی رنج می‌برد. بااین‌حال، ما در این مقاله یکی از دلایل کند بودن این الگوریتم را طبقه‌بندی تنبل می‌دانیم، به همین جهت روشی را معرفی کردیم که با استفاده از درنظرگرفتن شباهت بین نمونه‌های آموزشی، دسته‌بندی را در دوفاز آموزش و آزمایش انجام می دهد. در فاز آموزش با استفاده از خوشه‌بندی نمونه‌های آموزشی، مشارکت کلاس‌ها را برای طبقه‌بندی در هر خوشه به دست آوردیم. سپس در فاز آزمایش، با تعیین خوشه مربوط به نمونه آزمایشی، صرفا از کلاس‌های مرتبط با آن خوشه برای طبقه‌بندی استفاده می کنیم. نتایج نشان می دهد که روش مذکور قدرت رقابتی بسیاری با الگوریتم طبقه‌بندی نمایندگی تنک و دیگر الگوریتم‌های مشتق شده هم از نظر صحت طبقه بندی (کاربرد) هم سرعت (کارایی) را دارد.