Support Vector Machines Optimisation for Face Recognition Using Sparrow Search Algorithm
Notice bibliographique
Résumé
In the realm of face recognition utilising Support Vector Machines (SVM), the adaptivity of the penalty parameter c and the kernel function g is often found lacking, leading to suboptimal recognition rates.To address this issue, an approach harnessing the Sparrow Search Algorithm (SSA) for SVM parameter optimisation has been proposed.Traditional methods such as grid and random search, alongside other swarm intelligence optimisation algorithms like Particle Swarm Algorithm (PSO) and Differential Evolutionary Algorithm (DE), were surpassed by the capabilities of the SSA in numerous applications.Crossvalidation (CV) was employed, with the SVM model training recognition accuracy serving as the SSA fitness value.Upon achieving optimal fitness values, the best combination of hyperparameters was ascertained.The overarching aim was to deploy the SSA for global optimisation of SVM's penalty parameters and kernel function, ensuring the derivation of the globally optimal solution for the ultimate classifier model in face recognition tasks.An empirical analysis conducted on the ORL standard face database revealed that the proposed method outperformed the PSO, DE, Gray Wolf Algorithm (GWO), and Enhanced Gray Wolf Algorithm (EGWO), registering an average accuracy of 95.1%.This starkly contrasts with the 81.9% accuracy of the traditional SVM.Such results demonstrate the method's efficacy in enhancing recognition performance, offering a novel avenue to elevate the accuracy of conventional SVM-based face recognition.
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 | 0,001 | 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 | 0,001 |
| 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 | 0,000 |
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 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 ».