ارائه يك راهكار نوين براي آموزش ثانويه شبكه هاي عصبي كانولوشنال جهت تشخيص چهره

تشخيص چهره يكي از مهم ترين و جذاب ترين مسائل در حوزه بينايي ماشين محسوب مي¬شود. در پژوهش¬هاي صورت گرفته در اين حوزه، از يك طرف اهميت سرعت در پردازش تصاوير چهره صنعتگران را ترغيب به استفاده از روش¬هايي نموده است كه از اتلاف زمان براي جست و جو جلوگيري كند. بنابراين استفاده از روش¬هاي يادگيري ماشين كه فاز آموزش را به عنوان زمان برترين فرآيند به صورت آفلاين انجام مي¬دهند محبوبيت خاصي پيدا كرده است. از طرف ديگر، چالش كارايي و دقت، محققان حوزه تشخيص چهره را در ميان روش¬هاي مبتني بر يادگيري ماشين به سمت يادگيري عميق و شبكه¬هاي عصبي كانولوشنال سوق داده است. شبكه¬هاي عصبي كانولوشنال، اولا با توجه به مكانيسم سلسله مراتبي استخراج ويژگي فضايي، دقت يادگيري را در برنامه هاي¬كاربردي بينايي ماشين بسيار بهبود داده اند، و دوما با استفاده از رويكرد به اشتراك گذاري وزن نسبت به شبكه¬هاي عصبي تمام اتصال، بخش قابل توجهي از پيچيدگي متناظر با پردازش داده¬هاي تصويري را كه شامل ابعاد بالاي ويژگي مي¬باشند، از ميان بر مي¬دارند. از اين رو، استفاده از شبكه¬هاي عصبي كانولوشنال در تشخيص چهره نيز بسيار در ميان محققان رواج يافته و چالش دقت در اين حوزه از چالش برانگيزترين و جذاب ترين موضوعات محسوب مي¬شود. در اين مقاله با ارائه يك رويكرد نوين جهت تطبيق شبكه¬هاي عصبي كانولوشنال راهكاري براي بهبود دقت اين شبكه¬ها در تشخيص چهره ارائه مي¬دهيم. در اين كار، با تعبيه يك فاز تطبيق با عنوان آموزش ثانويه به آموزش مجدد وزن¬ها مي¬پردازيم. نتايج بر روي ديتاست مورد استفاده در اين مقاله و مقايسه آن با رويكردهاي پيشين در اين حوزه حاكي از بهبود قابل توجه كارايي شبكه عصبي كانولوشنال با استفاده از روش پيشنهادي در تشخيص چهره است.