Local receptive fields based extreme learning machine for face recognition

Abstract

Son yıllarda birçok yüz tanıma yöntemi geliştirilmiş ve yapay sinir ağları (ANN), konvolusyonel nöron ağı (CNN), Gauss karışımları ve benzeri gibi görüntü işleme uygulamalarında uygulanmıştır. Bununla birlikte, her biri yerel minimum, yoğun insan müdahale oranı ve yavaş yakınsama gibi bazı konulardan muzdarip. CNN genellikle çok uzun eğitim sürelerine sahip olan geri yayılım (BP) öğrenme prosedürünü kullanır. Buna ek olarak, geri yayılım genellikle bir yerel minimuma ulaşma eğilimindedir. Yukarıdaki yöntemlerin her biri, eğitim bölümündeki hata oranını düşürmek için birçok yineleme gerektirse de, aşırı öğrenme makinesini uyguladığımızda, bu da yerel algılayıcı alanları ile eşleme haritasını atamaktadır; bu durumda, önerilen yöntem sadece tek bir iterasyonda sonuçları elde edebiliyor. Buna ek olarak ELM, geri yayılım yönteminin bu dezavantajlarını hafifletmeyi önermiştir. Ayrıca, Caltech, UFI ve CBCL olmak üzere üç yüz veri setinde kapsamlı deneyler yapılmıştır. Elde edilen sonuçlar cesaret vericidir ve daha önce bildirilen birkaç başka sonuç ile de karşılaştırılmıştır. Caltech yüz veri kümesinde test doğruluğu %98.15, CBCL veri kümesinde %98.34 ve UFI yüz veri kümesinde %66.11'dir. Bu nedenle, yerel algılayıcılı alanlarına dayanan aşırı öğrenme makinesinin yüz tanımada kullanılan önceki yöntemler arasında daha fazla avantaj sağlayabileceğini görebiliriz.

In the recent years, many face recognition methods were developed and applied in the image processing applications, such as artificial neural networks (ANN), convolutional neuron network (CNN), Gaussian mixtures and so on. However, each of them is suffering from some issues like the local minima, intensive human intervention rate, and slow convergence. CNN generally uses the back propagation (BP) learning procedure, which has very long training periods. In addition, back-propagation generally tends to reach a local minimum. While each of the above methods needs many iterations to reduce the error rate in the training section, we apply extreme learning machine, which it runs throw pooling map with Local receptive fields, in this case, the proposed method can get the result just in one iteration. In addition, ELM proposed to alleviate these drawbacks of the back-propagation method. The Extensive experiments were conducted on three face datasets namely Caltech, UFI, and CBCL. The obtained results are encouraging and compared with several other results previously reported. Testing accuracy in Caltech face dataset is 98.15%, also in the CBCL dataset is 98.34% and in UFI face dataset is 66.11%. Based on the above result the extreme learning machine based on local receptive fields can have more advantage among previous methods used for face recognition.