الفهرس 
ACKNOWLEDGEMENTOnly 14 pages are availabe for public view
 |  | from | 133 |  |  |
| | | from | 133 | | |
Abstract
الملخص العربى
اختيار الملامح لتطبيقات التعرف على الوجوه
التعرف على الوجوه هي عملية تحديد الشخصية من خلال الوجه. تماًما مثلما يتعلم البشر التعرف على عائلاتهم
وأصدقائهم والمشاهير من خلال رؤية وجوههم ، هناك العديد من التقنيات التي يستخدمها الكمبيوتر لتعلم التعرف على
وجه مسبقا. تتضمن هذه بشكل عام أربعة مراحل رئيسية هى تحديد الوجه ، واستخراج الميزات ، واختيار الميزات
والتصنيف. في هذه الرسالة ، ركزنا على مرحلة اختيار الميزات للتعرف على الوجوه. وبالتالي ، نفترض أن خطوة
تحديد الوجه قد تمت بالفعل وأن الهدف الكامل للنظام هو تمييز / تصنيف وجه مستخرج من صورة.
بالنسبة لمرحلة استخراج الميزات ، استخدمنا كلاً من الميزات المنتقاة يدويًا في شكل موجات Gabor ونماذج الشبكة
العصبية العميقة. بالنسبة للأولى ، تم اختيار تحويل Gabor على وجه التحديد بسبب تشابهه مع المعالجة المبكرة في
النظام البصري البشري. على الرغم من أن الأساليب القائمة على الشبكات العصبية العميقة DNN هي حاليًا الأساليب
الرائدة لمعظم مهام التعلم الآلي ، إلا أن بعض التطبيقات التي تتطلب معالجة سريعة على الأجهزة الطرفية لا يزال
بإمكانها الاستفادة من الميزات المصممة / المنتقاة يدويًا )مثل التحكم في الدخول إلى المباني( عندما يكون من الممكن
التحكم في البيئة .
عند استخدام مويجات Gabor )أو استخراج ميزات من DNN( ، نلاحظ أنه يتم إنشاء عدد كبير من الميزات وليست
كلها مفيدة )يمكن أن يكون بعضها مشتتًا( للمصنف لذا نحتاج إلى خطوة اختيار الميزات لتحديد اقل عدد ممكن من
الميزات الكافية للتعرف على الوجه.
بالنسبة لمرحلة اختيار الميزات )محور هذه الرسالة( ، تم تقييم ومقارنة ست خوارزميات لاختيار الميزات. على وجه
التحديد ، هذه الخورميات هي اختيار الميزة المستندة إلى الشجرة )TFS( ، واختيار الميزة أحادي المتغير )UFS( ،
واختيار الميزة الخطية )LFS( ، والخوارزمية الجينية )GA( ، واختيار الملامح باستخدام المعلومات المتبادلة )MI(
وإلغاء الميزة العودية مع التحقق المتقاطع RFECV.
المساهمة الرئيسية لهذه الرساله هي طريقة منظمة جديدة لاختيار الملامح في Gabor و CNNs )الشبكات العصبية
التلافيفية( حيث يتم إما الاحتفاظ بمجموعة كاملة من الميزات المرتبطة حسابيا )Kernel( أو تجاهلها )بما في ذلك
جميع ميزاتها( هذا النهج المقترح له ميزة واضحة في سرعة التعرف على الوجه لاحقا لأنه يسمح بعدم احتساب
117
مجموعات كاملة من الميزات على الإطلاق )بدلاً من حسابها والتخلص منها جزئيًا في النهج المعروف فى السابق(. تم
استخدام هذا النهج مع ميزات Gabor ومع هيكلية Net Alex للتعرف على الوجوه من خلال نقل التعلم .
كما اننا قمنا بمقارنه الطريقة المقترحة مع الطريقه السابقه المعروفه لاختيار الملامح ونوضح أنها يمكن أن تؤدي إلى
ضغط نموذج أفضل )مع سرعة أعلى متوقعة على الأجهزة الطرفية( بدون تأثير كبير على دقة النظام )كما تم قياسها
من خلال دقة التعرف على الوجوه( في ثلاث قواعد بيانات متاحة للجمهور.
في بيئه العمل وفي الجزء الأول من الرسالة ، قد قمنا بتدريب وتقييم النهج المقترح باستخدام تحويل Gabor على قاعدة
بيانات Face Yale والتى تحتوى على 50 شخ ًصا مختلفًا. نتائج هذا النهج المقترح تمت بأختيار 10 )Kernel( فقط
من 40 )Kernel( وتبين أن طريقة اختيار الميزه المستندة الى الشجرة حققت أقل معدل خطأ بقيمه 034.0.
طريقة اختيار الميزه المستندة الى الشجرة حققت أعلى نسبة ضغط و سرعة لاستخراج الميزات وسرعة مصنف
KNN تصل إلى 98٪ و 33 و 909 على التوالي.
في الجزء الثاني من الرسالة ، قمنا بتدريب وتقييم النهج المقترح باستخدام التعلم العميق المستند إلى Net Alex على
ثلاث قواعد بيانات مختلفة هى Caltech101 و face94 و face96. وقد نجحنا في تحقيق اعلى نسبة ضغط بلغت
28.88٪ و 61.99٪ و 61.99٪ على التوالي. وقد حققنا اقل معدل خطأ يساوي 092.0 و 0056.0 و 14.0 على
التوالي باستخدام 30 و 10 و 1 )Kernel( فقط على التوالي من 256. قد قمنا باستخدام 809 و 27 و 34 ميزة فقط
على التوالي من 9216 لحل مشكلة ضغط البيانات باستخدام نماذج التعلم العميق دون تأثير كبير على دقة النظام. أعلى
سرعة مصنف لشبكة net Alex باستخدام اختيار )Kernel( القوي باستخدام مجموعات البيانات الثلاثة السابقة تم
تحقيقها باستخدام المعلومات المتبادلة واختيار الميزات المستند على الشجرة والمعلومات المتبادلة ، على التوالي بقيم
تساوي 6.5 ، 2.3 ، 25.1 مرة على التوالي أكثر من سرعة تصنيف شبكة Alex الأصلية فى حالة عدم استخدام اى
من انظمه تحديد الميزات او )Kernel).