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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 source (Gemma direct ou Codex distillé), 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 ».