Face Image Analysis by Unsupervised Learning

تحلیل تصویر چهره توسط یادگیری بدون نظارت رویکردهای تطبیقی ​​برای تجزیه و تحلیل تصویر را بررسی می‌کند. برای تطبیق پردازش با محیط کار فوری، از اصول یادگیری بدون نظارت و نظریه اطلاعات استفاده می کند. برخلاف رویکردهای سنتی‌تر تحلیل تصویر که در آن ساختار مربوطه از قبل تعیین شده و با استفاده از تکنیک‌های مهندسی شده استخراج می‌شود، تحلیل تصویر چهره توسطیادگیری بدون نظارت روش‌هایی را بررسی می‌کند که ریشه دارند. در بینایی بیولوژیکی و/یا در مورد ساختار تصویر مستقیماً از مجموعه تصویر یاد بگیرید. توجه ویژه ای به تکنیک های یادگیری بدون نظارت برای رمزگذاری وابستگی های آماری در مجموعه تصویر می شود.
بخش اول این جلد، یادگیری بدون نظارت، نظریه اطلاعات، تجزیه و تحلیل مؤلفه‌های مستقل و ارتباط آنها با بینایی بیولوژیکی را بررسی می‌کند. سپس، یک نمایش تصویر چهره با استفاده از تجزیه و تحلیل مؤلفه های مستقل (ICA) ایجاد می شود که یک تکنیک یادگیری بدون نظارت بر اساس انتقال اطلاعات بهینه بین نورون ها است. نمایش ICA با تعدادی دیگر از نمایش‌های چهره از جمله چهره‌های ویژه و موجک‌های گابور در وظایف تشخیص هویت و تحلیل بیان مقایسه می‌شود. در نهایت، روش‌هایی برای یادگیری ویژگی‌هایی که در برابر تغییرات در دیدگاه و نور مقاوم هستند، ارائه شده‌اند. این مطالعات شواهدی ارائه می‌دهند که رمزگذاری وابستگی‌های ورودی از طریق یادگیری بدون نظارت، یک استراتژی مؤثر برای تشخیص چهره است.
تحلیل تصویر چهره توسط یادگیری بدون نظارت به عنوان متن ثانویه برای دوره تحصیلات تکمیلی و به عنوان مرجعی برای محققان و متخصصان صنعت مناسب است.

Face Image Analysis by Unsupervised Learning explores adaptive approaches to image analysis. It draws upon principles of unsupervised learning and information theory to adapt processing to the immediate task environment. In contrast to more traditional approaches to image analysis in which relevant structure is determined in advance and extracted using hand-engineered techniques, Face Image Analysis byUnsupervised Learning explores methods that have roots in biological vision and/or learn about the image structure directly from the image ensemble. Particular attention is paid to unsupervised learning techniques for encoding the statistical dependencies in the image ensemble.
The first part of this volume reviews unsupervised learning, information theory, independent component analysis, and their relation to biological vision. Next, a face image representation using independent component analysis (ICA) is developed, which is an unsupervised learning technique based on optimal information transfer between neurons. The ICA representation is compared to a number of other face representations including eigenfaces and Gabor wavelets on tasks of identity recognition and expression analysis. Finally, methods for learning features that are robust to changes in viewpoint and lighting are presented. These studies provide evidence that encoding input dependencies through unsupervised learning is an effective strategy for face recognition.
Face Image Analysis by Unsupervised Learning is suitable as a secondary text for a graduate-level course, and as a reference for researchers and practitioners in industry.