سامانه همایش های دانشگاه آزاد اسلامی واحد نجف آباد

صفحه اصلی / سومین کنفرانس بین المللی مهندسی و علوم کامپیوتر و اولین کنفرانس ملی سامانه های هوشمند، کلان داده و رایانش پیشرفته

KinMCA-Net رویکردی مبتنی بر تجزیه مورفولوژیکی در شبکه‌های کانولوشنی برای تشخیص رابطه خویشاوندی چهره

نویسندگان :

مرجان مومنی دهقی¹ سعید نصری² مهدی آمون³

1- دانشگاه آزاد اسلامی واحد نجف آباد 2- دانشگاه آزاد اسلامی واحد نجف آباد 3- دانشگاه آزاد اسلامی واحد نجف آباد

کلمات کلیدی :

تشخیص رابطه خویشاوندی،چهره،تبدیل تنک،شبکه عصبی کانولوشن مورفولوژیکی،یادگیری عمیق

چکیده :

تشخیص رابطه خویشاوندی از روی چهره، به‌دلیل فاصله سنی والد–فرزند، تغییرات بیان چهره، نورپردازی ناهمگون و اختلاف زاویه دید در تصاویر «در طبیعت»، با کاهش شباهت ظاهری و در نتیجه افت دقت مواجه است. برای مقابله با این چالش‌ها، چارچوبی مبتنی بر یادگیری عمیق با نام KinMCA-Net پیشنهاد می‌شود که ایده‌ی تحلیل مؤلفه‌های مورفولوژیکی را در قلب فرایند استخراج ویژگی ادغام می‌کند. در گام نخست، مؤلفه‌های بافتی بر اساس نمایش‌های اسپارس حاصل از تجزیه مورفولوژیکی استخراج می‌شوند و مؤلفه‌های ساختاری با استفاده از موجک گسسته (DWT) به دست می‌آیند؛ سپس این دو مؤلفه در یک بلوک کانولوشنی دوشاخه پردازش شده و به کمک دروازه‌ی تطبیقی به‌صورت مکانی ادغام می‌گردند تا سهم هر شاخه متناسب با شواهد محلی تعیین شود. این طراحی، بازنمایی‌هایی مقاوم نسبت به جابه‌جایی، تغییر مقیاس، چرخش و اغتشاشات تصویری ایجاد کرده و پس از تجمیع در یک سرِ طبقه‌بندیِ تماماً متصل، تصمیم نهایی درباره وجود یا عدم وجود رابطه خویشاوندی اتخاذ می‌شود. ارزیابی مدل بر روی دو پایگاه داده Group-Face و TSKinFace و بر اساس معیارهای متعددی انجام شده است. نتایج عددی نشان می‌دهد که KINMCA-Net به مقدار دقت 94٫8٪ و روی هر دو پایگاه داده Group-Face و TSKinFace دست یافته و در سناریوهای کم‌نمونه و تصاویر «در طبیعت»، برتری و پایداری عملکرد خود را به‌طور معنادار اثبات می‌کند.