The experiments are divided into th

The experiments are divided into three sets:
1) Performance on the Non-Surgery Database: To analyze the
effect of plastic surgery on face recognition algorithms, it is
important to have the baseline performance on a dataset that
is similar to the plastic surgery database in terms of pose,
expression and illumination and does not have plastic surgery
variations. Therefore, the database for the first experiment
comprises of images from publically available non-surgery
databases. 1800 frontal face images with neutral expression,
proper illumination, and no occlusion, pertaining to 900 subjects
are collected from the AR [19], CMU PIE [20], Georgia
Tech [21], GTAV [22] and the FERET [23] face databases. A
sample of this database is shown in Fig. 2. In most of the
real world applications, face identification systems are first
trained on a training database and then the trained system
is used to perform recognition on the test database. In such
applications, it is highly likely that there is no overlap between
the subjects used in the training database and the subjects in the
test database. To evaluate the performance of face recognition
algorithms in such an application scenario, the database is
partitioned into two groups: training and testing. Face images
pertaining to 360 subjects (40% of the database) are used to
train the face recognition algorithms and the remaining images
pertaining to 540 subjects (60% of the database) are used as the
test database for performance evaluation. The non-overlapping
train-test partitioning is repeated 10 times and recognition
performance is computed in terms of identification accuracy.
Cumulative Matching Curves (CMC) are generated by computing
the identification accuracy over these trials for top 10 ranks.
CMC in Fig. 3(a) and rank-1 identification accuracy reported in
Table II shows that face recognition algorithms such as SURF,
CLBP and GNN provide good accuracy (73-84%).
2) Performance on Plastic Surgery Database: With the same
experimental protocol (as described for Experiment 1), we partition
the plastic surgery database in non-overlapping training
(360 database) and testing datasets (540 subjects) and compute
the identification accuracy of face recognition algorithms. Fig.
Algorithm Non-Surgery Database Plastic Surgery Database
PCA 59.3% 29.1%
FDA 61.6% 32.5%
LFA 68.9% 38.6%
CLBP 73.6% 47.8%
SURF 77.7% 50.9%
GNN 84.1% 54.2%
TABLE II
RANK-1 IDENTIFICATION ACCURACY OF FACE RECOGNITION
ALGORITHMS ON THE NON-SURGERY AND PLASTIC SURGERY DATABASES.
3(b) shows the CMC curve and Table II reports rank-1 identification
accuracies of this experiment. On the plastic surgery
database, it is observed that the best rank-1 identification
accuracy is 54% which is about 30% lower when the same
algorithm is evaluated with the non-surgery database.
3) Performance with Training on Non-Surgery Database and
Testing on Plastic Surgery Database: In general, face recognition
algorithms are unlikely to be trained using pre and
post surgery images. Therefore, in the third experiment, we
use 360 subjects from the non-surgery database for training
the algorithms (i.e., training data from experiment 1) and 540
subjects from the plastic surgery database for testing (i.e.,
testing data for experiment 2). The results of this experiment are
documented in Table III. This table also shows a comprehensive
breakup of results according to the type of surgeries performed.
The key observations and analysis of the three experiments are

ผลลัพธ์ (ไทย) 1:

การทดลองแบ่งออกเป็นสามชุด:1) ประสิทธิภาพการผ่าตัดไม่ใช่ฐานข้อมูล: การวิเคราะห์การผลของศัลยกรรมในอัลกอริทึมการรู้จำใบหน้า เป็นต้องมีประสิทธิภาพการทำงานพื้นฐานในการชุดข้อมูลที่เหมือนไปทำศัลยกรรมในก่อให้เกิดนิพจน์และไฟส่องสว่าง และไม่มีศัลยกรรมรูปแบบการ ดังนั้น ฐานข้อมูลในการทดลองครั้งแรกประกอบด้วยภาพจากว่างป่าวไม่ผ่าตัดฐานข้อมูล ภาพใบหน้าหน้าผาก 1800 นิพจน์เป็นกลางแสงสว่างที่เหมาะสม และไม่ไม่ควรมองข้าม เกี่ยวกับเรื่อง 900รวบรวมจาก AR [19], CMU กลม [20], จอร์เจียเทคโนโลยี [21], GTAV [22] และฐานข้อมูลหน้า FERET [23] Aตัวอย่างของฐานข้อมูลนี้จะแสดงใน Fig. 2 ส่วนใหญ่โลกจริงประยุกต์ ระบบรหัสหน้าเป็นครั้งแรกอบรมการฝึกอบรมฐานข้อมูล และระบบการฝึกอบรมใช้เพื่อทำการทดสอบฐานข้อมูล ในดังกล่าวโปรแกรมประยุกต์ ก็มีแนวโน้มสูงว่า มีการทับซ้อนระหว่างหัวข้อที่ใช้ในฐานข้อมูลการฝึกอบรมและหัวข้อในการทดสอบฐานข้อมูล เพื่อประเมินประสิทธิภาพของการรู้จำใบหน้าอัลกอริทึมในสถานการณ์โปรแกรมประยุกต์ดังกล่าว เป็นฐานข้อมูลแบ่งออกเป็นสองกลุ่ม: ฝึกอบรม และทดสอบ ภาพใบหน้าเกี่ยวกับเรื่อง 360 (40% ของฐานข้อมูลที่ใช้ในการฝึกกระบวนการรู้จำใบหน้าและรูปที่เหลือเกี่ยวกับเรื่อง 540 (60% ของฐานข้อมูล) จะถูกใช้เป็นtest database for performance evaluation. The non-overlappingtrain-test partitioning is repeated 10 times and recognitionperformance is computed in terms of identification accuracy.Cumulative Matching Curves (CMC) are generated by computingthe identification accuracy over these trials for top 10 ranks.CMC in Fig. 3(a) and rank-1 identification accuracy reported inTable II shows that face recognition algorithms such as SURF,CLBP and GNN provide good accuracy (73-84%).2) Performance on Plastic Surgery Database: With the sameexperimental protocol (as described for Experiment 1), we partitionthe plastic surgery database in non-overlapping training(360 database) and testing datasets (540 subjects) and computethe identification accuracy of face recognition algorithms. Fig.Algorithm Non-Surgery Database Plastic Surgery DatabasePCA 59.3% 29.1%FDA 61.6% 32.5%LFA 68.9% 38.6%CLBP 73.6% 47.8%SURF 77.7% 50.9%GNN 84.1% 54.2%TABLE IIRANK-1 IDENTIFICATION ACCURACY OF FACE RECOGNITIONALGORITHMS ON THE NON-SURGERY AND PLASTIC SURGERY DATABASES.3(b) shows the CMC curve and Table II reports rank-1 identificationaccuracies of this experiment. On the plastic surgerydatabase, it is observed that the best rank-1 identificationaccuracy is 54% which is about 30% lower when the samealgorithm is evaluated with the non-surgery database.3) Performance with Training on Non-Surgery Database andTesting on Plastic Surgery Database: In general, face recognitionalgorithms are unlikely to be trained using pre andpost surgery images. Therefore, in the third experiment, weuse 360 subjects from the non-surgery database for trainingthe algorithms (i.e., training data from experiment 1) and 540subjects from the plastic surgery database for testing (i.e.,testing data for experiment 2). The results of this experiment aredocumented in Table III. This table also shows a comprehensivebreakup of results according to the type of surgeries performed.The key observations and analysis of the three experiments are

ผลลัพธ์ (ไทย) 2:

การทดลองแบ่งออกเป็นสามชุด:
1) ประสิทธิภาพการทำงานบนฐานข้อมูลที่ไม่ใช่การผ่าตัดเพื่อวิเคราะห์
ผลกระทบของการทำศัลยกรรมพลาสติกในขั้นตอนวิธีการจดจำใบหน้ามันเป็น
สิ่งสำคัญที่มีผลการดำเนินงานพื้นฐานในชุดข้อมูลที่
มีความคล้ายคลึงกับฐานข้อมูลในการทำศัลยกรรมพลาสติก แง่ของการก่อให้เกิด,
การแสดงออกและไฟส่องสว่างและไม่ได้มีการทำศัลยกรรมพลาสติก
รูปแบบ ดังนั้นฐานข้อมูลสำหรับการทดสอบครั้งแรก
ประกอบด้วยภาพจากสาธารณะสามารถใช้ได้ที่ไม่ใช่การผ่าตัด
ฐานข้อมูล 1800 รูปภาพใบหน้าหน้าผากมีการแสดงออกที่เป็นกลาง,
ไฟส่องสว่างที่เหมาะสมและไม่อุดตัน, เกี่ยวกับ 900 อาสาสมัคร
จะถูกเก็บรวบรวมจาก AR [19], CMU พาย [20] จอร์เจีย
เทค [21], GTAV [22] และ FERET [23] ฐานข้อมูลใบหน้า
ตัวอย่างของฐานข้อมูลนี้จะแสดงในรูป 2. ในส่วนของ
การใช้งานจริงใบหน้าระบบการระบุจะเป็นครั้งแรก
ได้รับการฝึกฝนในฐานข้อมูลการฝึกอบรมแล้วระบบการฝึกอบรม
จะใช้ในการดำเนินการรับรู้เกี่ยวกับฐานข้อมูลการทดสอบ เช่นใน
การใช้งานก็เป็นไปได้มากว่ามีการทับซ้อนระหว่างไม่มี
วิชาที่ใช้ในฐานข้อมูลการฝึกอบรมและอาสาสมัครใน
ฐานข้อมูลการทดสอบ เพื่อประเมินประสิทธิภาพของการจดจำใบหน้า
ขั้นตอนวิธีการประยุกต์ใช้ในสถานการณ์เช่นฐานข้อมูลจะถูก
แบ่งออกเป็นสองกลุ่ม: การฝึกอบรมและการทดสอบ ภาพใบหน้า
ที่เกี่ยวข้องกับ 360 คน (40% ของฐานข้อมูล) ที่ใช้ในการ
ฝึกอบรมขั้นตอนวิธีการจดจำใบหน้าและภาพที่เหลือ
ที่เกี่ยวข้องกับ 540 คน (60% ของฐานข้อมูล) จะถูกใช้เป็น
ฐานข้อมูลการทดสอบสำหรับการประเมินผลการปฏิบัติงาน ไม่ทับซ้อน
การแบ่งการทดสอบรถไฟจะถูกทำซ้ำ 10 ครั้งและการรับรู้
ผลการดำเนินงานคือการคำนวณในแง่ของความถูกต้องระบุตัวตน.
Curves จับคู่สะสม (CMC) ถูกสร้างขึ้นโดยการคำนวณ
ความถูกต้องประชาชนมากกว่าการทดลองเหล่านี้สำหรับ 10 อันดับแรกของการจัดอันดับ.
ซีเอ็มซีในรูป 3 (ก) และอันดับ 1 การระบุความถูกต้องรายงานใน
ตารางที่แสดงให้เห็นว่าขั้นตอนวิธีการรับรู้เช่นเผชิญ SURF,
CLBP และ GNN ให้ความถูกต้องที่ดี (73-84%).
2) ประสิทธิภาพการทำงานบนฐานข้อมูลศัลยกรรมพลาสติก: ด้วยเดียวกัน
โปรโตคอลการทดลอง ( ตามที่อธิบายไว้สำหรับการทดลองที่ 1) เราแบ่งพาร์ติชัน
ฐานข้อมูลการทำศัลยกรรมพลาสติกในการฝึกอบรมไม่ทับซ้อนกัน
(360 ฐานข้อมูล) และชุดข้อมูลการทดสอบ (540 อาสาสมัคร) และคำนวณ
ความถูกต้องระบุขั้นตอนวิธีการจดจำใบหน้า รูปที่.
อัลกอริทึมฐานข้อมูลที่ไม่ใช่การผ่าตัดศัลยกรรมพลาสติกฐานข้อมูล
PCA 59.3% 29.1%
61.6% องค์การอาหารและยา 32.5%
68.9% LFA 38.6%
73.6% CLBP 47.8%
77.7% SURF 50.9%
84.1% GNN 54.2%
ตาราง II
RANK-1 ความถูกต้องระบุการจดจำใบหน้า
ขั้นตอนวิธีการไม่ผ่าตัดและศัลยกรรมพลาสติกฐานข้อมูล.
3 (ข) แสดงให้เห็นเส้นโค้ง CMC และรายงานตารางที่ II ประจำตัวอันดับ 1
ความถูกต้องของการทดลองนี้ ในการทำศัลยกรรมพลาสติก
ฐานข้อมูลก็จะถูกตั้งข้อสังเกตว่าการระบุอันดับ 1 ที่ดีที่สุด
คือความถูกต้อง 54% ซึ่งเป็นประมาณ 30% ลดลงเมื่อเดียวกัน
ขั้นตอนวิธีการประเมินที่มีฐานข้อมูลการผ่าตัดที่ไม่ใช่.
3) ผลการดำเนินงานที่มีการฝึกอบรมฐานข้อมูลไม่ศัลยกรรมและ
การทดสอบในฐานข้อมูลการศัลยกรรมพลาสติก: โดยทั่วไปการจดจำใบหน้า
ขั้นตอนวิธีการที่ไม่น่าจะได้รับการอบรมการใช้ก่อนและ
ภาพการผ่าตัดโพสต์ ดังนั้นในการทดลองที่สามเรา
ใช้ 360 อาสาสมัครจากฐานข้อมูลที่ไม่ใช่การผ่าตัดสำหรับการฝึกอบรม
ขั้นตอนวิธี (เช่นข้อมูลการฝึกอบรมจากการทดลองที่ 1) และ 540
อาสาสมัครจากฐานข้อมูลการทำศัลยกรรมพลาสติกสำหรับการทดสอบ (เช่น
การทดสอบข้อมูลสำหรับการทดลองที่ 2) ผลการทดลองนี้ได้รับ
การบันทึกไว้ในตารางที่สาม ตารางนี้ยังแสดงให้เห็นที่ครอบคลุม
การล่มสลายของผลการค้นหาตามประเภทของการผ่าตัดที่ดำเนินการ.
ข้อสังเกตที่สำคัญและการวิเคราะห์การทดลองสามเป็น

ผลลัพธ์ (ไทย) 3:

การทดลองแบ่งออกเป็น 3 ชุด :
1 ) ประสิทธิภาพในการผ่าตัดที่ไม่ใช่ฐานข้อมูลเพื่อวิเคราะห์ผลของศัลยกรรมพลาสติกในขั้นตอนวิธีการรับรู้หน้า มันเป็นสิ่งสำคัญที่จะมีการแสดง

( ในชุดข้อมูลที่คล้ายกับการผ่าตัดพลาสติกฐานข้อมูลในแง่ของการก่อให้เกิด
การแสดงออกและรัศมี และไม่ มีรูปแบบ
ศัลยกรรมพลาสติก ดังนั้นฐานข้อมูลสำหรับ
การทดลองแรก ประกอบด้วยภาพจาก publically ของการผ่าตัด
บนฐานข้อมูล ภาพใบหน้าที่ 1800 หน้าผากกับการแสดงออกเป็นกลาง
แสงสว่างที่เหมาะสม และไม่มีการเกี่ยวข้องกับ 900 คน
เก็บจาก AR [ 19 ] , มช. พาย [ 20 ] , จอร์เจีย
เทค [ 21 ] gtav [ 22 ] และ feret [ 23 ] หน้าฐานข้อมูล
ตัวอย่างของฐานข้อมูลนี้เป็นแสดงในรูปที่ 2 ในส่วนของ
การใช้งานจริง ระบบการจำแนกใบหน้าก่อน
ฝึกอบรมฐานข้อมูลและระบบการฝึกอบรม
ใช้ในการทํารู้ในการทดสอบฐานข้อมูล ในการใช้งานเช่น
, มันเป็นไปได้สูงที่ไม่ทับซ้อนกันระหว่าง
วิชาที่ใช้ในการฝึกอบรมฐานข้อมูล และวิชาใน
ทดสอบฐานข้อมูล เพื่อประเมินประสิทธิภาพของ
ใบหน้าขั้นตอนวิธีในโปรแกรมประยุกต์เช่นสถานการณ์ , ฐานข้อมูลแบ่งเป็น 2 กลุ่มคือ
: การฝึกอบรมและการทดสอบ ภาพใบหน้า
เกี่ยวกับ 360 คน ( 40% ของฐานข้อมูลจะใช้
รถไฟใบหน้าขั้นตอนวิธีและภาพที่เหลือ
เกี่ยวกับ 540 คน ( 60% ของฐานข้อมูลที่ใช้เป็น
ฐานข้อมูลทดสอบ ประเมินผลการปฏิบัติงาน
ไม่ซ้อนทับกันการฝึกทดสอบซ้ำ 10 ครั้ง และ ประสิทธิภาพการรับรู้
จะคำนวณในแง่ของการสะสมที่ตรงกับเส้นโค้งความถูกต้อง .
( CMC ) จะถูกสร้างขึ้นโดยการคำนวณ
กำหนดความถูกต้องมากกว่าการทดลองเหล่านี้ด้านบนอันดับที่ 10 .
CMC ในรูปที่ 3 ( ก ) และ rank-1 ระบุความถูกต้องรายงาน
ตาราง 2 แสดงให้เห็นว่าใบหน้าขั้นตอนวิธี
เช่น กระดานโต้คลื่น