This paper presents a new discrimin

This paper presents a new discriminative model called Local Deep Neural Network (Local-DNN), which is based on two key concepts: local features and deep architectures. This model learns to classify small patches extracted from images using a standard DNN. The final classification of each image is performed using a simple voting scheme that takes into account the contributions from all the patches of that image. The experiments carried out have evaluated the model on the gender recognition problem using unconstrained face images, by following two benchmarks proposed for the LFW and the Gallagher datasets.

The results obtained in the experiments confirm the advantage of learning independently from small regions in the visual field when using DNNs in the problem at a hand. In particular, our Local-DNN model works well with networks with at least two hidden layers to be able to learn from small patches. After that, the final decision rule based on summing posteriors yields slightly better results than the simple voting scheme. It is also worth mentioning the improvement obtained by keeping the topological information of each patch, including in the network the location where it was extracted. However, the use of different weights in the final decision, obtained as an estimation of the probability of accuracy of each patch, did not improve the results. Using this configuration of parameters, our Local-DNN model outperforms other Deep Learning models also evaluated in this work, such as pre-trained DNNs and Deep Convolutional Neural Networks (DCNNs). There is also an improvement over other state-of-the-art results in the LFW dataset, which are obtained using traditional handcrafted features and a Support Vector Machine (SVM) classifier. Actually, we obtain the best result published using this protocol without discarding any image from the original database. The result obtained in the Gallagher’s dataset is also competitive, considering the simplicity and the generalization capability of the model proposed. Finally, the cross-database results obtained using one database for training and the other one for testing demonstrate that our approach can generalize well, and obtains better results than the only previously published cross-database result presented using the same databases.

ผลลัพธ์ (ไทย) 1:

เอกสารนี้แสดงรุ่น discriminative ใหม่ที่เรียกว่าลึกประสาทเครือข่ายท้องถิ่น (ท้องถิ่น-DNN), ซึ่งยึดแนวคิดหลักที่สอง: ลักษณะการทำงานภายในและสถาปัตยกรรมที่ลึก รุ่นนี้เรียนรู้ที่จะจำแนกซอฟต์แวร์ขนาดเล็กที่แยกจาก DNN มาตรฐานรูปภาพ ประเภทสุดท้ายของแต่ละภาพจะดำเนินการโดยใช้โครงร่างเสียงเรื่องที่จะพิจารณาผลงานจากโปรแกรมทั้งหมดของรูป การทดลองที่ดำเนินได้ประเมินแบบบนปัญหาจำแนกเพศโดยใช้ภาพหน้า unconstrained ตามเกณฑ์มาตรฐานที่สองเสนอ LFW และ Gallagher datasetsผลได้รับในการทดลองยืนยันประโยชน์ของการเรียนรู้อย่างอิสระจากพื้นที่เล็ก ๆ ในฟิลด์ visual เมื่อใช้ DNNs ในปัญหาที่มือ โดยเฉพาะ รุ่น DNN ภายในเครื่องของเราทำงานกับเครือข่ายที่มีชั้นซ่อนสองน้อยสามารถเรียนรู้จากโปรแกรมขนาดเล็ก หลังจากนั้น กฎการตัดสินใจขั้นสุดท้ายตามรวม posteriors ก่อให้เกิดผลเล็กน้อยดีกว่าโครงร่างเสียงง่าย มันเป็นยังน่าปรับปรุงได้ โดยการเก็บรักษาข้อมูล topological ของแต่ละโปรแกรมปรับปรุงที่กล่าวถึง รวมทั้งในเครือข่ายที่ตั้งที่ถูกสกัด อย่างไรก็ตาม การใช้น้ำหนักแตกต่างกันในการตัดสินใจขั้นสุดท้าย ได้รับเป็นการประเมินความน่าเป็นของความถูกต้องของแต่ละแพทช์ ได้ไม่ปรับปรุงผลลัพธ์ ใช้กำหนดค่าของพารามิเตอร์นี้ รุ่นของเราท้องถิ่น-DNN outperforms รุ่นอื่น ๆ เรียนรู้ลึกยัง ประเมินในงานนี้ ฝึกอบรมล่วงหน้า DNNs และข่ายประสาทลึก Convolutional (DCNNs) นอกจากนี้ยังมีการปรับปรุงมากกว่าผลรัฐของศิลปะอื่น ๆ ในชุดข้อมูล LFW ซึ่งจะได้รับโดยใช้ลักษณะการทำงานแบบมือและ classifier เครื่องสนับสนุนเวกเตอร์ (SVM) จริง เรารับว่าเผยแพร่โดยใช้โพรโทคอลนี้โดยไม่ละทิ้งรูปภาพจากฐานข้อมูลต้นฉบับ ผลที่ได้รับในชุดข้อมูลของ Gallagher ก็แข่งขัน พิจารณาเรียบง่ายและความสามารถของแบบ generalization ที่นำเสนอ สุดท้าย ผลลัพธ์ฐานข้อมูลข้ามได้ใช้ฐานข้อมูลหนึ่งสำหรับฝึกอบรมและอีกหนึ่งการทดสอบแสดงว่า วิธีการของเราสามารถเมดี และได้รับผลดีกว่าเดียวก่อนหน้านี้ประกาศผลระหว่างฐานข้อมูลที่นำเสนอโดยใช้ฐานข้อมูลเดียวกัน

ผลลัพธ์ (ไทย) 2:

บทความนี้นำเสนอรูปแบบใหม่ที่เรียกว่าจำแนกประสาทลึกเครือข่ายท้องถิ่น (Local-DNN) ซึ่งจะขึ้นอยู่กับสองแนวคิดสำคัญ: คุณสมบัติสถาปัตยกรรมท้องถิ่นและลึก รุ่นนี้ได้เรียนรู้ที่จะจัดแพทช์ขนาดเล็กที่สกัดจากภาพโดยใช้มาตรฐาน DNN การจำแนกประเภทสุดท้ายของแต่ละภาพจะดำเนินการโดยใช้รูปแบบการลงคะแนนที่เรียบง่ายที่คำนึงถึงการมีส่วนร่วมจากแพทช์ทั้งหมดของภาพที่ได้ การทดลองดำเนินการมีการประเมินรูปแบบในปัญหาการรับรู้เพศโดยใช้ภาพใบหน้าข้อ จำกัด โดยต่อไปนี้สองมาตรฐานที่นำเสนอสำหรับ LFW และชุดข้อมูลกัลลาเกอร์. ผลที่ได้ในการทดลองยืนยันประโยชน์ของการเรียนรู้อย่างเป็นอิสระจากภูมิภาคเล็ก ๆ ในเขตข้อมูลภาพ เมื่อใช้ DNNs ในปัญหาที่เกิดขึ้นที่มือ โดยเฉพาะอย่างยิ่งรูปแบบท้องถิ่น DNN ของเราทำงานได้ดีกับเครือข่ายที่มีอย่างน้อยสองชั้นที่ซ่อนอยู่เพื่อให้สามารถที่จะเรียนรู้จากแพทช์ขนาดเล็ก หลังจากที่กฎการตัดสินใจขั้นสุดท้ายขึ้นอยู่กับข้อสรุป posteriors ให้ผลลัพธ์ที่ดีกว่าเล็กน้อยกว่าโครงการการออกเสียงลงคะแนนที่เรียบง่าย นอกจากนี้ยังเป็นมูลค่าการกล่าวขวัญที่ได้รับการปรับปรุงโดยการเก็บรักษาข้อมูลที่ทอพอโลยีของแต่ละแพทช์รวมทั้งในเครือข่ายสถานที่ที่มันถูกสกัด อย่างไรก็ตามการใช้น้ำหนักที่แตกต่างกันในการตัดสินใจขั้นสุดท้ายที่ได้รับเป็นประมาณความน่าจะเป็นของความถูกต้องของแต่ละแพทช์ที่ไม่ได้ปรับปรุงผล การใช้การกำหนดค่าของพารามิเตอร์นี้ DNN ท้องถิ่นของเรามีประสิทธิภาพดีกว่ารูปแบบการเรียนรู้แบบลึกอื่น ๆ นอกจากนี้ยังมีการประเมินในงานนี้เช่น DNNs ก่อนการฝึกอบรมและลึก Convolutional โครงข่ายประสาท (DCNNs) นอกจากนี้ยังมีการปรับปรุงกว่าผลการรัฐของศิลปะอื่น ๆ ในชุดข้อมูลที่ LFW ซึ่งจะได้รับการใช้คุณสมบัติในแบบฉบับดั้งเดิมและสนับสนุนเครื่องเวกเตอร์ (SVM) ลักษณนาม อันที่จริงเราได้รับผลลัพธ์ที่ดีที่สุดที่ตีพิมพ์โดยใช้โปรโตคอลนี้ได้โดยไม่ทิ้งภาพใด ๆ จากฐานข้อมูลเดิม ผลที่ได้รับในชุดข้อมูลกัลลาเกอร์ยังเป็นการแข่งขันเมื่อพิจารณาจากความเรียบง่ายและความสามารถทั่วไปของรูปแบบที่นำเสนอ ในที่สุดผลการฐานข้อมูลข้ามได้ใช้ฐานข้อมูลสำหรับการฝึกอบรมและอื่น ๆ หนึ่งสำหรับการทดสอบแสดงให้เห็นว่าวิธีการของเราสามารถพูดคุยกันและได้รับผลลัพธ์ที่ดีกว่าเพียงการตีพิมพ์ผลข้ามฐานข้อมูลที่นำเสนอการใช้ฐานข้อมูลเดียวกัน

ผลลัพธ์ (ไทย) 3:

บทความนี้นำเสนอรูปแบบใหม่และในท้องถิ่นที่เรียกว่าลึกประสาทเครือข่ายท้องถิ่น ( dnn ) ซึ่งจะขึ้นอยู่กับสองแนวคิดหลัก : คุณสมบัติท้องถิ่นและลึกสถาปัตยกรรม . รุ่นนี้เรียนรู้การจัดขนาดเล็กซอฟต์แวร์สกัดจากภาพโดยใช้ dnn มาตรฐานประเภทสุดท้ายของแต่ละภาพ โดยใช้รูปแบบการลงคะแนนง่ายที่จะพิจารณาผลงานจากแพทช์ทั้งหมดของภาพที่ . การทดลองดำเนินการได้ประเมินรูปแบบการใช้เพศ ปัญหาต่างกันไปตามใบหน้าภาพสองมาตรฐานเสนอให้ lfw และดี้

ชุดข้อมูลผลลัพธ์ที่ได้ในการทดลองยืนยันประโยชน์ของการเรียนรู้อย่างอิสระ จากขนาดเล็กภูมิภาคในด้านภาพ เมื่อใช้ dnns ในปัญหาในมือ โดยเฉพาะรุ่น dnn ท้องถิ่นของเราทำงานได้ดีกับเครือข่ายกับชั้นซ่อนอย่างน้อยสองสามารถเรียนรู้จากแพทช์เล็ก ๆ หลังจากนั้นการตัดสินใจขั้นสุดท้ายกฎตามข้อสรุป posteriors ให้ผลดีขึ้นเล็กน้อยกว่าที่โครงการโหวตง่ายๆ นอกจากนี้มูลค่าการกล่าวขวัญการปรับปรุงได้โดยเก็บข้อมูลรูปแบบของแต่ละแพทช์ รวมทั้งในเครือข่าย สถานที่ที่ถูกสกัด อย่างไรก็ตาม การใช้น้ำหนักที่แตกต่างในการตัดสินใจขั้นสุดท้ายที่ได้จากการประมาณค่าความน่าจะเป็นของความถูกต้องของแต่ละแพทช์ ไม่ปรับปรุง ผลลัพธ์ที่ได้ การใช้ค่าพารามิเตอร์แบบจำลอง dnn ท้องถิ่นของเรามีประสิทธิภาพดีกว่าอื่น ๆลึกการเรียนรู้แบบประเมินในงานนี้ เช่น ก่อนฝึก dnns และลึกขดโครงข่ายประสาทเทียม ( dcnns ) นอกจากนี้ยังมีการปรับปรุงอื่น ๆ รัฐ - of - the - art ผลลัพธ์ใน DataSet lfw ,ซึ่งเป็นคุณสมบัติที่ได้รับการใช้แบบดั้งเดิมและสนับสนุนเวกเตอร์เครื่องจักร ( SVM ) ลักษณนาม จริงๆ แล้ว เราได้รับผลที่ดีที่สุดที่ใช้โปรโตคอลนี้ โดยไม่ทิ้งภาพใด ๆจากฐานข้อมูลเดิม ผลที่ได้ใน กัลลาเกอร์ของวันที่มีการแข่งขัน โดยพิจารณาจากความเรียบง่ายและความสามารถของรูปแบบการเสนอ ในที่สุดผลลัพธ์ที่ได้ใช้ฐานข้อมูลฐานข้อมูลข้ามสำหรับการฝึกอบรมและอื่น ๆ หนึ่งสำหรับการทดสอบแสดงให้เห็นถึงวิธีการที่เราสามารถอนุมานได้ดีและได้รับผลลัพธ์ที่ดีกว่าก่อนหน้านี้เท่านั้นที่เผยแพร่ข้ามฐานข้อมูลผลนำเสนอโดยใช้ฐานข้อมูลเดียวกัน