Face Recognition with Triangular Fuzzy Set-Based Local Cross Patterns in Wavelet Domain
Notice bibliographique
Résumé
In this study, a new face recognition architecture is proposed using fuzzy-based Discrete Wavelet Transform (DWT) and fuzzy with two novel local graph descriptors. These graph descriptors are called Local Cross Pattern (LCP). The proposed fuzzy wavelet-based face recognition architecture consists of DWT, Triangular fuzzy set transformation, and textural feature extraction with local descriptors and classification phases. Firstly, the LL (Low-Low) sub-band is obtained by applying the 2 Dimensions Discrete Wavelet Transform (2D DWT) to face images. After that, the triangular fuzzy transformation is applied to this band in order to obtain A, B, and C images. The proposed LCP is then applied to the B image. LCP consists of two types of descriptors: Vertical Local Cross Pattern (VLCP) and Horizontal Local Cross Pattern (HLCP). Linear discriminant analysis, quadratic discriminant, analysis, quadratic kernel-based support vector machine (QKSVM), and K-nearest neighbors (KNN) were ultimately used to classify the extracted features. Ten widely used descriptors in the literature are applied to the fuzzy wavelet architecture. AT&T, CIE, Face94, and FERET databases are used for performance evaluation of the proposed methods. Experimental results show that the LCP descriptors have high face recognition performance, and the fuzzy wavelet-based model significantly improves the performances of the textural descriptors-based face recognition methods. Moreover, the proposed fuzzy-based domain and LCP method achieved classification accuracy rates of 97.3%, 100.0%, 100.0%, and 96.3% for AT&T, CIE, Face94, and FERET datasets, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».