بهبود مدل تفکیک کننده منیفلدهای غیرخطی به منظور بازشناسی چهره با یک تصویر از هر فرد

یادگیری منیفلد یکی از روش های کاهش بعد مطرح به منظور استخراج ساختار غیرخطی داده با ابعاد بالا می باشد. تاکنون روش های زیادی به این منظور ارائه شده اند. در تمام این روش ها یک منیفلد به عنوان منیفلد جاسازی شده در داده استخراج می شود. در حالی که در خیلی از مسائل مربوط به دنیای واقعی یک منیفلد به تنهایی بیانگر ساختار داده نمی باشد. در این راستا بر مبنای تحقیقات قبلی، یک روش کاهش بعد غیرخطی مبتنی بر شبکه های عصبی عمیق ارائه شده است که قادر به استخراج توأم منیفلدهای جاسازی شده در داده می باشد. در مدل شبکه عصبی تفکیک کننده منیفلدهای غیرخطی، برخلاف روش معمول استخراج منیفلد با شبکه های عصبی که به صورت بدون سرپرستی صورت می گیرد، از برچسب داده در جهت شکل گیری منیفلدها به صورت غیرمستقیم استفاده می شود. با توجه به ساختار عمیق این مدل نشان داده شده است که با بهره گیری از روش های پیش تعلیم می توان به طور معناداری عملکرد آن را بهبود بخشید. همچنین در راستای استخراج بهتر منیفلدها و حفظ تمایز درون منیفلدی برای طبقات مختلف، توابع معیار آن بهبود داده شده است. این مدل برای استخراج منیفلدهای حالت های احساسی و افراد از دادگان چهره ck+، مورد استفاده قرار گرفته است. با بهره گیری از پیش تعلیم لایه به لایه و بهبود توابع معیار، نرخ بازشناسی حالت برای تصاویر مجازی از 29/24% به 07/75% و درصد صحت بازشناسی هویت با یک تصویر از هر فرد با غنی سازی دادگان تعلیم طبقه بند knn توسط این تصاویر مجازی، از 62/90% به 07/97% نسبت به مدل اولیه بهبود داشته است.