ارائه یک روش استخراج ویژگی از تصاویر چهره مبتنی بر اعمال تبدیل روی ویژگی های به دست آمده از شبکه های عصبی کانولوشن

در این مقاله، یک روش استخراج ویژگی از داده ارایه شده است. ایده پیشنهادی، کلی بوده و قابل به کارگیری در استخراج ویژگی از هر نوع داده‏ است. در این روش، بردار ویژگی آزمون، به ویژگی‏ های موجود در همه دسته‏ ها اضافه و سپس تبدیل مناسبی روی مجموعه ویژگی ‏های هر دسته (با احتساب بردار آزمون اضافه شده)، اعمال می‏ شود. نحوه اعمال تبدیل و مجموعه اقدامات بعد از آن، به نحوی صورت می‏ گیرد که موجب می‏ شود ویژگی‏ های موجود در دست ه‏ای که داده آزمون در واقع متعلق به آن است، دچار آسیب چندانی نشود و در مقابل، ویژگی ‏های دسته ‏هایی که داده آزمون متعلق به آنها نیست، دچار تخریب شوند. به طور شهودی می‏ توان گفت، این امر، منجر به افزایش نرخ پذیرش به درستی (TP‏) در الگوریتم ‏های دسته ‏بندی یا شناسایی الگو می‏ شود. به عنوان یک نمونه، ایده پیشنهادی، در مساله شناسایی چهره با استفاده از شبکه ‏های عصبی کانولوشن (CNN)، به عنوان یک پس ‏پردازش و ویژگی‏ های حاصل، به ‏عنوان ویژگی ‏های نهایی، برای عملیات شناسایی چهره به کار گرفته شد. نتایج پیاده سازی، نشان‏ دهنده بهبود حدود %4/3 روی پایگاه داده LFW است.