Yüz algılama için yerel algılayıcı alanlara dayalı aşırı öğrenme makinesi

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.