"डाटा साइंस के लिए गणित" पाठ्यक्रम के छात्रों के लिए लेख का अनुवाद तैयार किया गया था।

अमूर्त

यह लेख एकल छवि के लिए चेहरे की आकृति खोजने के कार्य पर चर्चा करता है। हम दिखाएंगे कि कैसे प्रतिगमन पेड़ों के पहनावा का उपयोग पिक्सेल तीव्रता के बिखरे हुए उपसमुच्चय से सीधे चेहरे की आकृति की स्थिति का अनुमान लगाने के लिए किया जा सकता है, उच्च गुणवत्ता वाले पूर्वानुमानों के साथ वास्तविक समय में सुपर-प्रदर्शन प्राप्त कर सकता है। हम एक सामान्य संरचना प्रस्तुत करते हैं जो प्रतिगमन पेड़ों के एक समूह का अध्ययन करने के लिए ढाल को बढ़ावा देता है जो द्विघात नुकसान के योग का अनुकूलन करता है और स्वाभाविक रूप से, लापता या आंशिक रूप से टैग किए गए डेटा को संसाधित करता है। हम बताएंगे कि छवि डेटा की संरचना को ध्यान में रखते हुए उपयुक्त वितरण का उपयोग कैसे करें, जो कि आकृति के कुशल चयन में मदद करता है। विभिन्न नियमितीकरण रणनीतियों और रिट्रेनिंग के खिलाफ लड़ाई में उनके महत्व की भी जांच की जा रही है। इसके अलावा, हम पूर्वानुमानों की सटीकता पर प्रशिक्षण डेटा की मात्रा के प्रभाव का विश्लेषण करते हैं और संश्लेषित डेटा का उपयोग करके बढ़ते डेटा के प्रभाव की जांच करते हैं।

1. परिचय

इस लेख में, हम एक नया एल्गोरिथ्म प्रस्तुत करते हैं जो मिलीसेकंड में चेहरे की आकृति की खोज करता है और सटीकता प्राप्त करता है जो मानक डेटा सेट पर आधुनिक तरीकों से बेहतर या तुलना करने योग्य है। पिछली विधियों की तुलना में गति में वृद्धि चेहरे की आकृति के लिए पिछले एल्गोरिदम के मुख्य घटकों की पहचान और उनके बाद के समावेश को उच्च बैंडविड्थ के साथ प्रतिगमन मॉडल के कैस्केड में अनुकूलित रूप में शामिल करने का एक परिणाम है, ग्रेडिएंट बूस्टिंग का उपयोग करते हुए।

हम प्रदर्शित करते हैं, जैसा कि हमने पहले ही [8, 2] से पहले किया था, कि प्रतिगमन मॉडल के कैस्केड का उपयोग करके चेहरे की आकृति की खोज की जा सकती है। हमारे मामले में, कैस्केड में प्रत्येक प्रतिगमन मॉडल प्रभावी रूप से प्रारंभिक पूर्वानुमान के आधार पर चेहरे के आकार की भविष्यवाणी करता है और इस प्रारंभिक पूर्वानुमान के सापेक्ष अनुक्रमित पिक्सल के विरल सेट की तीव्रता। हमारा काम पिछले एक दशक में किए गए अध्ययनों की एक बड़ी संख्या पर आधारित है, जिसने चेहरे की आकृति [9, 4, 13, 7, 15, 1, 16, 18, 3, 6, 19] को खोजने के कार्य में महत्वपूर्ण प्रगति की है। विशेष रूप से, हमने अपने ट्यून किए गए प्रतिगमन मॉडल में दो प्रमुख तत्वों को शामिल किया है जो नीचे दिए गए कई सफल एल्गोरिदम में मौजूद हैं, और अब हम इन तत्वों का विवरण दे रहे हैं।

चित्र 1. हेलेन डेटासेट पर चयनित परिणाम। एक मिलीसेकंड में एक छवि में चेहरे पर 194 प्रमुख बिंदुओं (स्थलों) का पता लगाने के लिए, यादृच्छिक रिग्रेशन पेड़ों का एक समूह का उपयोग किया जाता है।

पहला पिक्सेल तीव्रता के आसपास घूमता है जो वर्तमान चेहरे के आकार के पूर्वानुमान के सापेक्ष अनुक्रमण करता है। चेहरे की छवि के वेक्टर प्रतिनिधित्व में प्रतिष्ठित विशेषताएं प्रपत्र की विकृति के कारण बहुत भिन्न हो सकती हैं, और इस तरह के हस्तक्षेप कारकों के कारण प्रकाश की स्थिति में परिवर्तन के रूप में। इससे इन कार्यों का उपयोग करके आकृति का सटीक अनुमान लगाना मुश्किल हो जाता है। दुविधा यह है कि हमें आकार की सटीक भविष्यवाणी करने के लिए विश्वसनीय संकेतों की आवश्यकता है, और दूसरी ओर, हमें विश्वसनीय संकेतों को निकालने के लिए आकृति के सटीक पूर्वानुमान की आवश्यकता है। पिछले कार्य [4, 9, 5, 8] में, साथ ही साथ इस कार्य में, इस समस्या को हल करने के लिए एक पुनरावृत्ति दृष्टिकोण (कैस्केड) का उपयोग किया जाता है। वैश्विक छवि समन्वय प्रणाली में निकाली गई विशेषताओं के आधार पर आकार मापदंडों को पुनः प्राप्त करने के बजाय, छवि को वर्तमान आकार पूर्वानुमान के आधार पर सामान्यीकृत समन्वय प्रणाली में बदल दिया जाता है, और फिर आकृति मापदंडों के लिए अद्यतन वेक्टर की भविष्यवाणी करने के लिए संकेत निकाले जाते हैं। इस प्रक्रिया को आमतौर पर अभिसरण तक कई बार दोहराया जाता है।

दूसरा यह समझाता है कि स्पष्टीकरण / भविष्यवाणी की समस्या की जटिलता से कैसे निपटें। परीक्षण के दौरान, समोच्च खोज एल्गोरिदम को चेहरे के आकार की भविष्यवाणी करनी चाहिए - एक उच्च-आयामी वेक्टर जो छवि डेटा और हमारे आकार मॉडल के साथ सबसे अच्छे समझौते में है। समस्या कई स्थानीय ऑप्टिमा के साथ गैर-संवेदी है। सफल एल्गोरिदम [4, 9] इस समस्या को हल करते हैं, यह मानते हुए कि पूर्वानुमानित रूप एक रैखिक उप-स्थान पर झूठ होना चाहिए जिसका पता लगाया जा सकता है, उदाहरण के लिए, प्रशिक्षण रूपों के मुख्य घटकों को ढूंढकर। यह धारणा स्पष्टीकरण के दौरान संभावित संभावित रूपों की संख्या को काफी कम कर देती है, और स्थानीय ऑप्टिमा से बचने में मदद कर सकती है।

एक हालिया काम [8, 11, 2] में, इस तथ्य का उपयोग किया जाता है कि सीखने के रूपों द्वारा परिभाषित रैखिक उप-सीमा में झूठ की भविष्यवाणी करने के लिए रजिस्टरों की एक निश्चित वर्ग की गारंटी है, और अतिरिक्त प्रतिबंधों की कोई आवश्यकता नहीं है। यह महत्वपूर्ण है कि हमारे प्रतिगमन मॉडल में ये दो तत्व हैं।
ये दो कारक प्रतिगमन मॉडल में हमारे प्रभावी प्रशिक्षण से जुड़े हैं। हम संगत हानि फ़ंक्शन का अनुकूलन करते हैं और डेटा के आधार पर सुविधा का चयन करते हैं। विशेष रूप से, हम द्विघात नुकसान फ़ंक्शन का उपयोग करते हुए ग्रेडिएंट बूस्टिंग [10] का उपयोग करते हुए प्रत्येक रजिस्ट्रार को प्रशिक्षित करते हैं, वही नुकसान फ़ंक्शन जिसे हम परीक्षण के दौरान कम करना चाहते हैं। रिग्रेसर के इनपुट के रूप में उपयोग किए जाने वाले स्पार्स पिक्सल्स के सेट को ग्रेडिएंट बूस्टिंग एल्गोरिथ्म के संयोजन और इनपुट पिक्सल्स के जोड़े के बीच दूरियों की एक प्राथमिकता संभावना का उपयोग करके चुना जाता है। प्राथमिकताओं का वितरण बड़ी संख्या में प्रासंगिक विशेषताओं की कुशलता से जांच करने के लिए बूस्टिंग एल्गोरिदम की अनुमति देता है। नतीजा यह है कि रजिस्टरों का एक झरना है जो सामने से शुरू होने पर चेहरे के स्थलों को स्थानीय कर सकता है।

इस लेख के मुख्य योगदान हैं:

1. प्रतिगमन पेड़ों (निर्णय पेड़ों) के एक समूह के आधार पर चेहरे की आकृति को खोजने के लिए एक नई विधि, जो प्रशिक्षण के दौरान समान नुकसान के कार्य को कम करते हुए प्रपत्र के अपरिवर्तनीय विशेषताओं का चयन करती है, जिसे हम परीक्षण के दौरान कम से कम करना चाहते हैं।
2. हम अपनी पद्धति का एक प्राकृतिक विस्तार प्रस्तुत करते हैं जो लापता या अपरिभाषित लेबल को संसाधित करता है।
3. मात्रात्मक और गुणात्मक परिणाम प्रस्तुत किए जाते हैं, जो इस बात की पुष्टि करते हैं कि हमारी विधि उच्च-गुणवत्ता वाले पूर्वानुमान देती है, जो कि सबसे अच्छी पिछली विधि (चित्र 1) की तुलना में अधिक प्रभावी है।
4. प्रशिक्षण डेटा की मात्रा के प्रभाव, पूर्वानुमानों की गुणवत्ता पर आंशिक रूप से लेबल किए गए डेटा और सामान्यीकृत डेटा के उपयोग का विश्लेषण किया जाता है।

2. विधि

यह लेख कम्प्यूटेशनल दक्षता के संदर्भ में चेहरे के स्थलों (मुख्य बिंदुओं) की स्थिति का सही आकलन करने के लिए एक एल्गोरिथ्म प्रस्तुत करता है। जैसा कि पिछले कामों में है [8, 2], रजिस्टरों के कैस्केड का उपयोग हमारी पद्धति में किया जाता है। इस खंड के शेष भाग में, हम कैस्केड के व्यक्तिगत घटकों के आकार का विवरण और हम प्रशिक्षण का संचालन कैसे करते हैं, का वर्णन करते हैं।

2.1। प्रतिगमन झरना

पहले हम कुछ संकेतन पेश करते हैं। चलो , y छवि में चेहरे की मैं-वें मील का पत्थर के निर्देशांक I फिर वेक्टर I. में सभी p चेहरों के निर्देशांक को दर्शाता है। अक्सर इस लेख में हम वेक्टर S को एक आकृति कहते हैं। हम उपयोग करते हैं हमारी वर्तमान रेटिंग एस। प्रत्येक प्रतिगामी को इंगित करने के लिए (· · ·) कैस्केड में छवि से अद्यतन वेक्टर की भविष्यवाणी करता है और जिसे वर्तमान फॉर्म मूल्यांकन में जोड़ा जाता है रेटिंग में सुधार करने के लिए:

) (1)

कैस्केड का मुख्य बिंदु यह है कि प्रतिगामी इसके पूर्वानुमानों को ऐसे आकार के आधार पर बनाता है जैसे कि पिक्सेल तीव्रता और I द्वारा गणना की गई और वर्तमान आकार अनुमान के सापेक्ष अनुक्रमित है । यह प्रक्रिया में कुछ प्रकार के ज्यामितीय आक्रमण का परिचय देता है, और जैसा कि आप कैस्केड के माध्यम से आगे बढ़ते हैं, आप अधिक आश्वस्त हो सकते हैं कि चेहरे पर सटीक अर्थ स्थान अनुक्रमित है। हम बाद में वर्णन करेंगे कि यह अनुक्रमण कैसे किया जाता है।

कृपया ध्यान दें कि पहनावा द्वारा विस्तारित आउटपुट रेंज प्रारंभिक अनुमान होने पर प्रशिक्षण डेटा के रैखिक उप-स्थान में झूठ बोलने की गारंटी है इस स्पेस के अंतर्गत आता है। इसलिए, हमें भविष्यवाणियों पर अतिरिक्त प्रतिबंध लगाने की आवश्यकता नहीं है, जो हमारी पद्धति को बहुत सरल करता है। प्रारंभिक रूप को बस प्रशिक्षण डेटा के मध्य रूप के रूप में चुना जा सकता है, सामान्य फेस डिटेक्टर के बाउंडिंग बॉक्स के आउटपुट के अनुसार केंद्रित और स्केल किया गया है।

सभी को शिक्षित करने के लिए हम द्विघात नुकसान के योग वाले पेड़ों के लिए ढाल बूस्टिंग एल्गोरिथ्म का उपयोग करते हैं, जैसा कि [10] में वर्णित है। अब हम इस प्रक्रिया का विस्तृत विवरण देंगे।

2.2। एक कैस्केड में प्रत्येक रजिस्ट्रार को प्रशिक्षित करना

मान लीजिए हमारे पास प्रशिक्षण डेटा है सब लोग एक चेहरा छवि है, और इसका आकार वेक्टर है। पहले प्रतिगमन समारोह का पता लगाने के लिए कैस्केड में, हम अपने प्रशिक्षण डेटा को चेहरे की छवि, प्रारंभिक आकार के पूर्वानुमान और लक्ष्य अपडेट चरण, अर्थात से बनाते हैं। ) कहाँ

(2)

(३) और

(4)

के लिए मैं = 1, ..., एन।

हम इन तीनों की कुल संख्या को N = nR पर सेट करते हैं, जहाँ R छवि I पर उपयोग किए जाने वाले आरंभीकरण की संख्या है। छवि के लिए प्रत्येक प्रारंभिक आकार का पूर्वानुमान समान रूप से चुना गया है प्रतिस्थापन के बिना।

इस डेटा पर हम प्रतिगमन फ़ंक्शन को प्रशिक्षित करते हैं (एल्गोरिथ्म 1 देखें) द्विघात नुकसान के योग के साथ पेड़ों की ढाल बढ़ाने का उपयोग करना। प्रशिक्षण डेटा प्रदान करने के लिए प्रशिक्षण ट्रिपल सेट तब अपडेट किया जाता है। अगले रेजिस्टर के लिए% 20) कैस्केड में सेटिंग करके (t = 0 के साथ)।

% 20) (5)

(6)

यह प्रक्रिया तब तक दोहराई जाती है जब तक कि टी रेजगारों का एक झरना प्रशिक्षित नहीं हो जाता। जो संयोजन में सटीकता का एक पर्याप्त स्तर प्रदान करते हैं।

जैसा कि संकेत दिया गया है, प्रत्येक प्रतिगामी ढाल वृक्ष बूस्टिंग एल्गोरिथ्म का उपयोग सीखता है। यह याद किया जाना चाहिए कि द्विघात हानि फ़ंक्शन का उपयोग किया जाता है, और आंतरिक लूप में गणना की गई अवशिष्ट प्रत्येक प्रशिक्षण नमूने में अनुमानित इस हानि समारोह की ढाल के अनुरूप है। एल्गोरिथ्म के निर्माण में सीखने की दर पैरामीटर 0 <ν algorithm 1 भी शामिल है, जिसे नियमितीकरण गुणांक के रूप में भी जाना जाता है। Ν <1 को सेट करने से पुन: संयोजन का मुकाबला करने में मदद मिलती है और आमतौर पर regressors की ओर जाता है जो ν = 1 [10] के साथ प्रशिक्षित लोगों की तुलना में बहुत बेहतर है।

लर्निंग एल्गोरिथम 1 कैस्केड में

हमारे पास प्रशिक्षण डेटा है और सीखने की दर (नियमितीकरण गुणांक) 0 <ν <1

1. इनिशियलाइज़
   
2. k = 1, ..., K: के लिए
   a) हमने i = 1, ..., के लिए सेट किया है
   
   ख) हम प्रतिगमन पेड़ को लक्ष्य पर समायोजित करते हैं कमजोर प्रतिगमन समारोह के साथ ।
   ग) अद्यतन करना
3. निष्कर्ष
   

2.3। वृक्ष का रोपण करनेवाला

प्रत्येक आरटी प्रतिगमन समारोह के मूल में क्रमिक बूस्टिंग एल्गोरिथ्म के दौरान अवशिष्ट लक्ष्य के लिए उपयुक्त पेड़-जैसे रजिस्टर्स हैं। अब हम प्रत्येक प्रतिगमन पेड़ के प्रशिक्षण के लिए सबसे महत्वपूर्ण कार्यान्वयन विवरण देखेंगे।

2.3.1 अनियंत्रित विभाजन प्रपत्र परीक्षण

प्रतिगमन पेड़ में प्रत्येक पृथक्करण नोड पर, हम दो पिक्सेल की तीव्रता के बीच अंतर की सीमा मूल्य के आधार पर निर्णय लेते हैं। परीक्षण में उपयोग किए जाने वाले पिक्सल यू और वी स्थिति में होते हैं, जब उन्हें मध्य आकार समन्वय प्रणाली में परिभाषित किया जाता है। एक मनमाना आकार के साथ चेहरे की छवि के लिए, हम उन बिंदुओं को अनुक्रमित करना चाहेंगे, जिनके आकार के समान स्थिति u और v के सापेक्ष है, औसत आकार के लिए। ऐसा करने के लिए, तत्वों को निकालने से पहले, छवि को वर्तमान आकार अनुमान के आधार पर मध्य आकार में विकृत किया जा सकता है। चूँकि हम केवल छवि के बहुत कम प्रतिनिधित्व का उपयोग करते हैं, यह पूरी छवि की तुलना में अंकों की व्यवस्था को ख़राब करने के लिए बहुत अधिक कुशल है। इसके अलावा, स्थानीय विस्थापन के अलावा केवल वैश्विक समानता परिवर्तन का उपयोग करते हुए विरूपण का एक मोटा अनुमान लगाया जा सकता है, जैसा कि [2] में प्रस्तावित है।

सटीक विवरण निम्नानुसार हैं। चलो यू के निकटतम रूप में चेहरे पर लैंडमार्क का सूचकांक है, और यू के रूप में इसके विस्थापन को परिभाषित करता है ।

फिर छवि में परिभाषित सी फार्म के लिए में स्थिति , जो मध्यम आकार की छवि में यू के समान गुणात्मक रूप से परिभाषित है
(7)

जहाँ और - परिवर्तन करने वाले समानता के पैमाने और रोटेशन मैट्रिक्स में , मध्य रूप।

स्केल और रोटेशन कम से कम

(8)

मध्य आकार के ऐतिहासिक बिंदुओं के बीच वर्गों का योग, और बिंदु ताना। इसी तरह परिभाषित किया गया।

औपचारिक रूप से, प्रत्येक विभाजन एक ऐसा समाधान है जिसमें 3 पैरामीटर शामिल हैं τ = (u, u, v), और प्रत्येक प्रशिक्षण और परीक्षण उदाहरण के लिए लागू किया जाता है

(9)

जहाँ और पैमाने और रोटेशन मैट्रिक्स का उपयोग करके निर्धारित किया जाता है जो सबसे अच्छा विकृति है में समीकरण (7) के अनुसार। अभ्यास में, प्रशिक्षण चरण में कार्य और स्थानीय विस्थापन निर्धारित किए जाते हैं। इस प्रक्रिया के सबसे महंगे हिस्से के परीक्षण के दौरान समानता परिवर्तन की गणना, कैस्केड के प्रत्येक स्तर पर केवल एक बार किया जाता है।

2.3.2 नोडल विभाजन का चयन

प्रत्येक प्रतिगमन पेड़ के लिए, हम एक टुकड़े-टुकड़े रैखिक फ़ंक्शन द्वारा मूल फ़ंक्शन को अनुमानित करते हैं, जहां एक स्थिर वेक्टर प्रत्येक परिमित नोड के लिए उपयुक्त है। प्रतिगमन पेड़ को प्रशिक्षित करने के लिए, हम बेतरतीब ढंग से उपयुक्त विभाजन का एक सेट उत्पन्न करते हैं, अर्थात, प्रत्येक नोड में। फिर हम उत्सुकता से इन उम्मीदवारों से θ * का चयन करते हैं, जो द्विघात त्रुटि के योग को कम करता है। यदि क्यू नोड में प्रशिक्षण उदाहरणों के सूचकांक का एक सेट है, तो यह न्यूनतमकरण से मेल खाती है

(10)

जहाँ उदाहरणों के सूचकांक जो निर्णय के कारण बाईं ओर भेजे जाते हैं that, ढाल क्रमिक एल्गोरिथ्म में छवि i के लिए गणना की गई सभी अवशेषों का वेक्टर है, और

के लिए (11)

इष्टतम विभाजन को बहुत कुशलता से पाया जा सकता है, क्योंकि यदि हम समीकरण (10) को बदल देते हैं और θ से स्वतंत्र कारक छोड़ देते हैं, तो हम देख सकते हैं कि

यहां हमें केवल गणना करने की आवश्यकता है जब से विभिन्न θ का मूल्यांकन कर रहे हैं मूल नोड में औसत लक्ष्यों से गणना की जा सकती है average और निम्नानुसार है:

2.3.3 विशेषताओं का चयन

प्रत्येक नोड पर समाधान पिक्सेल की एक जोड़ी में तीव्रता के मूल्यों में अंतर की सीमा मूल्य पर आधारित है। यह एक काफी सरल परीक्षण है, लेकिन वैश्विक प्रकाश व्यवस्था में बदलाव के प्रति इसकी सापेक्ष असंवेदनशीलता के कारण, यह एक तीव्रता के साथ सीमा मूल्य से बहुत अधिक प्रभावी है। दुर्भाग्य से, पिक्सेल अंतरों का उपयोग करने का नुकसान यह है कि संभावित अलगाव उम्मीदवारों (सुविधा) की संख्या औसत छवि में पिक्सेल की संख्या के संबंध में द्विघात है। इससे उन्हें बहुत बड़ी संख्या में खोजे बिना अच्छे find का पता लगाना मुश्किल हो जाता है। हालांकि, छवि डेटा की संरचना को ध्यान में रखते हुए, यह सीमित कारक कुछ हद तक कमजोर हो सकता है।

हम घातांक वितरण शुरू करते हैं

(12)

पिक्सल के करीबी जोड़े के चयन को प्रोत्साहित करने के लिए विभाजन में प्रयुक्त पिक्सल के बीच की दूरी से।

हमने पाया है कि इस सरल वितरण का उपयोग करने से कई फेस डेटा सेट के लिए भविष्यवाणी की त्रुटि कम हो जाती है। चित्रा 4 इसके साथ और इसके बिना चयनित सुविधाओं की तुलना करती है, जहां दोनों मामलों में वस्तुओं के पूल का आकार 20 पर सेट है।

2.4। गुम टैग को संभालना

मामले को संभालने के लिए समीकरण (10) की समस्या को आसानी से बढ़ाया जा सकता है जब कुछ प्रशिक्षण छवियों पर कुछ स्थलों को चिह्नित नहीं किया जाता है (या हमारे पास प्रत्येक लैंडमार्क के लिए अनिश्चितता का एक उपाय है)। चर दर्ज करें [०, १] प्रत्येक प्रशिक्षण छवि के लिए मैं और प्रत्येक लैंडमार्क जे । स्थापना 0 का मान बताता है कि लैंडमार्क j को i- th छवि में चिह्नित नहीं किया गया है, और 1 की सेटिंग इंगित करती है कि यह चिह्नित है। तब समीकरण (10) को निम्नानुसार दर्शाया जा सकता है

जहाँ - वेक्टर के साथ विकर्ण मैट्रिक्स उसके विकर्ण पर और

के लिए (13)

इन वज़न को ध्यान में रखने के लिए ढाल बूस्टिंग एल्गोरिथ्म को भी संशोधित किया जाना चाहिए। यह केवल लक्ष्यों के भारित औसत मूल्य के साथ पहनावा मॉडल को शुरू करने और एल्गोरिथ्म में भारित अवशिष्टों के प्रतिगमन पेड़ों को फिटिंग द्वारा निम्नानुसार किया जा सकता है।

(14)

3. प्रयोग

मामले: हमारे प्रस्तावित पद्धति के प्रदर्शन का सही मूल्यांकन करने के लिए, प्रतिगमन पेड़ों (ERT) के कलाकारों की टुकड़ी, हमने दो और आधार बनाए। पहला लक्षणों के यादृच्छिक चयन (EF) के साथ यादृच्छिक फ़र्न (यादृच्छिक फ़र्न) पर आधारित है, और दूसरा सहसंबंध (EF + CB) पर आधारित लक्षणों के चयन के साथ इस दृष्टिकोण का एक और अधिक उन्नत संस्करण है, जो हमारा नया कार्यान्वयन है [2]। सभी पैरामीटर सभी तीन दृष्टिकोणों के लिए तय किए गए हैं।

EF पहनावा में कमजोर regressors के रूप में यादृच्छिक फर्न के प्रत्यक्ष कार्यान्वयन का उपयोग करता है और प्रशिक्षण के लिए सबसे तेज़ है। हम फ़र्न के नियमितीकरण के लिए [2] में सुझाए गए समान नियमितीकरण पद्धति का उपयोग करते हैं।

EF + CB एक सहसंबंध-आधारित ऑब्जेक्ट चयन विधि का उपयोग करता है जो आउटपुट मानों को प्रोजेक्ट करता है, एक यादृच्छिक दिशा w के लिए और संकेतों के जोड़े (यू, वी) का चयन करता है पूर्वानुमानित लक्ष्यों के साथ प्रशिक्षण डेटा के लिए उच्चतम नमूना सहसंबंध है ।

मापदंडों
जब तक अन्यथा निर्दिष्ट नहीं किया जाता है, सभी प्रयोग निम्न निश्चित पैरामीटर सेटिंग्स के साथ किए जाते हैं। कैस्केड में मजबूत रजिस्टरों की संख्या टी = 10 है, और प्रत्येक K = 500 कमजोर रजिस्टरों के होते हैं । पेड़ों की गहराई (या फर्न) का प्रतिनिधित्व करने के लिए उपयोग किया जाता है , F = 5. के बराबर सेट, कैस्केड के प्रत्येक स्तर पर, P = 400 पिक्सेल छवि से चुने गए हैं। कमजोर रजिस्टरों को प्रशिक्षित करने के लिए, हम अपने वितरण के अनुसार इन P पिक्सल की एक जोड़ी को बेतरतीब ढंग से चुनते हैं और संभावित पृथक्करण बनाने के लिए एक यादृच्छिक सीमा का चयन करते हैं, जैसा कि समीकरण (9) में वर्णित है। इस प्रक्रिया को S = 20 बार दोहराने और हमारे लक्ष्य को अनुकूलित करने वाले को चुनने के लिए सबसे अच्छा अलगाव प्राप्त किया जाता है। , R = 20 .

2. , Viola & Jones [17]. .

O (TKF). O (NDTKF S), N — , D — . HELEN [12], .

, , HELEN [12], , , . 2330 , 194 . 2000 , .

LFPW [1], 1432 . , 778 216 , , .

तुलना
1 . (Active Shape Models) — STASM [14] CompASM [12].

1. HELEN. — . . , . , . .

, , . 3 , , ERT , . , EF + CB . , EF + CB , .

LFPW [1] ( 2). EF + CB , [2]. ( , .) , , .

2. LFPW. 1.

4 (12) , , . λ 0,1 . . 4 .

3. . , , . (12).

, . , . — . ν 1 ( ν = 0.1). . , , , ν = 1. (10 ) . ( .)

3. HELEN (a) LFPW (b). EF — , EF + CB — , . (5 10), [2]. , (ERT), , , .

4. , . , .

, . , .

4. HELEN . .

, . , , , , .

. . 5 . , , [8, 2] ( 10 × 400 .)

5. .

प्रशिक्षण डेटा
प्रशिक्षण छवियों की संख्या के संदर्भ में हमारी पद्धति की प्रभावशीलता का परीक्षण करने के लिए, हमने विभिन्न मॉडलों को प्रशिक्षण डेटा के विभिन्न उप-भागों से प्रशिक्षित किया। तालिका 6 अंतिम परिणामों को सारांशित करती है, और चित्रा 5 कैस्केड के प्रत्येक स्तर पर त्रुटियों का एक ग्राफ दिखाता है। जब हम प्रशिक्षण के उदाहरणों की एक बड़ी संख्या रखते हैं, तो रजिस्टरों के कई स्तरों का उपयोग करना सबसे अधिक उपयोगी होता है।

हमने एक ही प्रयोगों को एक निश्चित कुल संख्या में विस्तारित उदाहरणों के साथ दोहराया, लेकिन चेहरे के एक चिह्नित उदाहरण से प्रशिक्षण उदाहरण बनाने के लिए उपयोग किए गए प्रारंभिक रूपों के संयोजन को बदल दिया और कैस्केड (तालिका 7) का अध्ययन करने के लिए उपयोग किए गए कई एनोटेट छवियां।

तालिका 6. प्रशिक्षण उदाहरणों की संख्या के लिए अंतिम त्रुटि दर। कैस्केडिंग रजिस्टरों के अध्ययन के लिए प्रशिक्षण डेटा बनाते समय, प्रत्येक टैग किए गए चेहरे की छवि ने 20 प्रशिक्षण उदाहरण उत्पन्न किए, चेहरे के आकार के बारे में शुरुआती धारणा के रूप में 20 अलग-अलग टैग किए गए चेहरों का उपयोग किया।

चित्रा 5. कैस्केड के प्रत्येक स्तर पर औसत त्रुटि का उपयोग प्रशिक्षण उदाहरणों की संख्या के आधार पर किया जाता है। प्रशिक्षण के उदाहरणों की संख्या बड़ी होने पर रजिस्टरों के कई स्तरों का उपयोग सबसे अधिक उपयोगी होता है।

तालिका 7. यहां प्रशिक्षण के उदाहरणों की प्रभावी संख्या तय की गई है, लेकिन हम प्रशिक्षण छवियों की संख्या और प्रत्येक चिह्नित चेहरे की छवि के लिए उपयोग किए जाने वाले प्रारंभिक रूपों की संख्या के विभिन्न संयोजनों का उपयोग करते हैं।

विभिन्न प्रकार के प्रारंभिक रूपों का उपयोग करके प्रशिक्षण डेटा को बढ़ाना, प्रपत्र के संदर्भ में डेटा सेट को विस्तारित करता है। हमारे परिणाम बताते हैं कि इस प्रकार के पूरक एनोटेट प्रशिक्षण छवियों की अनुपस्थिति के लिए पूरी तरह से क्षतिपूर्ति नहीं करते हैं। हालांकि पहले कुछ सौ छवियों के बाद प्रशिक्षण छवियों की संख्या में वृद्धि से प्राप्त सुधार दर तेजी से घट रही है।

आंशिक एनोटेशन
तालिका 8 आंशिक रूप से एनोटेट डेटा का उपयोग करने के परिणाम दिखाती है। 200 केस स्टडी पूरी तरह से एनोटेट हैं, और बाकी केवल आंशिक रूप से।

तालिका 8. आंशिक रूप से लेबल किए गए डेटा का उपयोग करने वाले परिणाम। 200 उदाहरण हमेशा पूरी तरह से एनोटेट होते हैं। कोष्ठकों में दिए गए मूल्य प्रेक्षित स्थलों का प्रतिशत दर्शाते हैं।

परिणाम बताते हैं कि हम आंशिक रूप से लेबल किए गए डेटा का उपयोग करके महत्वपूर्ण सुधार प्राप्त कर सकते हैं। हालाँकि, प्रदर्शित सुधार को संतृप्त नहीं किया जा सकता है, क्योंकि हम जानते हैं कि आकार के मापदंडों का आधार आकार स्थलों के आकार (194 × 2) की तुलना में बहुत कम है। नतीजतन, आंशिक निशान के साथ और अधिक महत्वपूर्ण सुधार की संभावना है, यदि आप स्पष्ट रूप से स्थलों की स्थिति के बीच सहसंबंध का उपयोग करते हैं। कृपया ध्यान दें कि इस लेख में वर्णित ढाल बूस्टिंग प्रक्रिया स्थलों के बीच संबंध का उपयोग नहीं करती है। इस समस्या को भविष्य के काम में हल किया जा सकता है।

4. निष्कर्ष

हमने वर्णन किया कि कैसे इनपुट इमेज से निकाले गए तीव्रता मानों के बिखरे हुए उपसमुच्चय से चेहरे के स्थानों के स्थान को पुनः प्राप्त करने के लिए प्रतिगमन पेड़ों का एक समूह बनाया जा सकता है। प्रस्तुत संरचना पिछले काम की तुलना में तेजी से त्रुटि को कम करती है, और आंशिक या अपरिभाषित अंकों को भी संसाधित कर सकती है। जबकि हमारे एल्गोरिथ्म के मुख्य घटक विभिन्न लक्ष्य मापों को स्वतंत्र चर के रूप में मानते हैं, इस काम की स्वाभाविक निरंतरता अधिक प्रभावी प्रशिक्षण और आंशिक लेबल के बेहतर उपयोग के लिए फार्म मापदंडों के सहसंबंध का उपयोग होगी।

चित्र 6. हेलन डेटाबेस में अंतिम परिणाम।

धन्यवाद
यह काम स्वीडिश स्ट्रैटेजिक रिसर्च फाउंडेशन द्वारा VINST परियोजना के हिस्से के रूप में वित्त पोषित किया गया था।

साहित्य का इस्तेमाल किया

[१] पीएन बेलहुमुर, डीडब्ल्यू जैकब्स, डीजे क्रिगमैन और एन। कुमार। अनुकरणों की सर्वसम्मति का उपयोग करते हुए चेहरे के कुछ हिस्सों को स्थानीय बनाना। CVPR में, पृष्ठ 545-552, 2011. 1, 5
[२] एक्स। काओ, वाई। वी।, एफ। वेन, और जे। सन। स्पष्ट आकार प्रतिगमन द्वारा चेहरा संरेखण। CVPR में, पृष्ठ 2887-2894, 2012. 1, 2, 3, 4, 5, 6
[३] टीएफ कोट, एम। इओनिता, सी। लिंडनर और पी। सॉयर। यादृच्छिक वन प्रतिगमन मतदान का उपयोग करके मजबूत और सटीक आकार मॉडल फिटिंग। ईसीसीवी में, 2012.1
[४] टीएफ कोट, सीजे टेलर, डीएच कूपर और जे। ग्राहम। सक्रिय आकार के मॉडल-उनके प्रशिक्षण और आवेदन। कंप्यूटर विजन और इमेज अंडरस्टैंडिंग, 61 (1): 38-59, 1995.1, 2
[५] डी। क्रिस्टीनैसे और टीएफ कोट्स। बूस्टेड रिग्रेशन सक्रिय आकार मॉडल। BMVC में, पेज 79.179.10, 2007.1
[६] एम। डेंटोन, जे। गैल, जी। फानेली, और एल.वी. गूल। सशर्त प्रतिगमन जंगलों का उपयोग करके वास्तविक समय चेहरे की विशेषता का पता लगाना। CVPR में, 2012.1
[Ding] एल डिंग और एएम मार्तिनेज़। चेहरे और चेहरे की विशेषताओं का सटीक पता लगाना। सीवीपीआर, 2008.1 में
[[] पी। डॉलर, पी। वेल्डर, और पी। पेरोना। कैस्केड पोज़ रिग्रेस- aded सायन। CVPR में, पृष्ठ 1078-1085, 2010. 1, 2, 6
[९] जीजे एडवर्ड्स, टीएफ कोट और सीजे टेलर। सक्रिय उपस्थिति मॉडल में अग्रिम। ICCV में, पृष्ठ 137–142, 1999. 1, 2
[१०] टी। हस्ती, आर। तिब्शीरानी और जेएच फ्रीडमैन। सांख्यिकीय शिक्षा के तत्व: डेटा माइनिंग, इंट्रेंस और भविष्यवाणी। न्यूयॉर्क: स्प्रिंगर-वर्लग, 2001.2,3
[११] वी। काज़ेमी और जे। सुलिवन। भाग आधारित मॉडलिंग के साथ चेहरा संरेखण। BMVC में, पृष्ठ 27.127.10, 2011.2
[१२] वी। ले।, जे। ब्रांट, जेड लिन, एलडी बोरदेव और टीएस हुआंग। इंटरएक्टिव चेहरे की विशेषता स्थानीयकरण। [१३] एल। लिआंग, आर। जिओ, एफ। वेन, और जे। सन में। घटक आधारित भेदभावपूर्ण खोज के माध्यम से चेहरा संरेखण। ECCV में, पृष्ठ 72-85, 2008. 1ECCV, पृष्ठ 679–692, 2012.5
[१४] एस। मिलबोरो और एफ। निकोलस। विस्तारित सक्रिय आकार मॉडल के साथ चेहरे की विशेषताओं का पता लगाना। ईसीसीवी में, पृष्ठ ५०४-५१३, २००CC.५
[१५] जे। सारागिह, एस। लुसी और जे। कोहन। नियमित रूप से लैंडमार्क माध्य-पाली द्वारा विकृत मॉडल फिटिंग। इंटरनैशनल जर्नल ऑफ़ कंप्यूटर विज़न, 91: 200-215, 2010.1
[१६] बीएम स्मिथ और एल। झांग। गैर-समरूप आकार के मॉडल के साथ संयुक्त चेहरा संरेखण। ईसीसीवी में, पेज 43-56, 2012.1
[१ola] पीए वियोला और एमजे जोन्स। मजबूत वास्तविक समय का पता लगाने। ICCV में, पृष्ठ 747, 2001.5
[१ [] एक्स। झाओ, एक्स। चाय और एस। शान। संयुक्त चेहरा संरेखण: नियमित रूप से पुन: फिटिंग द्वारा अच्छे लोगों के साथ बुरा संरेखण बचाव। ईसीसीवी में, 2012.1
[१ ९] एक्स। झू और डी। रमनन। चेहरा पहचानना, मुद्रा अनुमान, और जंगली में स्थानीयकरण। सीवीपीआर में, पृष्ठ 2879-2886, 2012.1