Розпізнавання обличчя за допомогою десятивимірних еліпсоїдів прогнозування для нормалізованих даних з різними квантилями

Анотація

Технологія розпізнавання обличчя відіграє ключову роль у різних сферах, включаючи системи безпеки, розваги та перевірку особи. Однак низька ймовірність ідентифікації людини за обличчям може мати негативні наслідки, що підкреслює необхідність розробки та вдосконалення методів розпізнавання обличчя. Об’єктом дослідження є процес розпізнавання обличчя, предметом дослідження є математична модель розпізнавання обличчя. Одним із поширених підходів у розпізнаванні образів є використання правил прийняття рішень на основі еліпсоїда прогнозування. Значною проблемою в його застосуванні є забезпечення того, щоб дані відповідали багатовимірному нормальному розподілу. Однак дані реального світу часто не відповідають цьому припущенню, що призводить до зниження ймовірності розпізнавання. Таким чином, існує необхідність вдосконалення математичних моделей для врахування таких відхилень. Іншим фактором, який може вплинути на результат, є вибір різних квантилів розподілу, наприклад Хі-квадрат і F-розподілу. Для великих наборів даних використання квантилів Хі-квадрата і F-розподілу в еліпсоїдах прогнозування зазвичай призводить до однакових результатів розпізнавання, але є дані, для яких це не так, і застосування еліпсоїдів прогнозування з різними квантилями розподілів дає різні результати. У цьому дослідженні досліджується застосування еліпсоїдів передбачення в задачах розпізнавання обличчя з використанням різних методів нормалізації та квантилів розподілу. Метою роботи є підвищення ймовірності розпізнавання обличчя шляхом побудови десятивимірного еліпсоїда прогнозування для нормалізованих даних з різними квантилями розподілів. Ми провели експерименти з набором даних зображень обличчя та побудували еліпсоїди прогнозування на основі Хі-квадрат і F-розподілу, використовуючи як одновимірні, так і багатовимірні методи нормалізації. Наші висновки показують, що методи нормалізації значно підвищують точність розпізнавання, при цьому багатовимірні методи, такі як десятивимірне перетворення Бокса-Кокса, перевершують одновимірні підходи. Крім того, еліпсоїди прогнозування, побудовані з використанням квантиля розподілу Хі-квадрат, загалом демонструють кращу ймовірність розпізнавання порівняно з еліпсоїдами, побудованими з використанням квантиля F-розподілу. Подальші дослідження можуть дослідити ефективність застосування інших методів нормалізації, таких як перетворення Джонсона, і проаналізувати побудову еліпсоїдів прогнозування з альтернативними компонентами рівняння еліпсоїда.