Iii-bob. Asosiy model asosida algoritmlarni ishlab chiqish

Eksperimental baholash (Experimental evaluation)

Ishlash jarayonini baholash

Tajribalarning umumiy protokoli 2.3-bo‘limda tavsiflangan protokolga to‘g’ri keladi. Tajribalar barcha uchta mavjud ma’lumotlar bazasida o‘tkazildi: TUM GAID [7], CASIA [9] va OULP [8]. Birinchisi va ikkinchisining 90 ° pastki to‘plami yon ko‘rinishni aniqlash uchun ishlatiladi, CASIA va OULP ning to‘liq to‘plami ko‘p ko‘rinishli tajribalarda qo‘llaniladi. Har bir to‘plamning barcha ma’lumotlari ikki qismga bo‘linadi, biri xususiyatni ajratib olishni o‘rgatish uchun ishlatiladi, ikkinchisi esa baholash uchun qoladi. Birinchi bobda belgilangan Rank-1 va Rank-5 ko‘rsatkichlaridan tashqari, turli usullarni aniqroq solishtirish uchun kümülatif moslik xususiyatlari (CMC) egri chizilgan.
Identifikatsiya tajribalariga qo‘shimcha ravishda turli usullarning tekshirish sifati solishtirildi. Sinov mavzulari uchun barcha videolar identifikatsiya vazifasidagi kabi o‘quv va test qismlariga bo‘lingan. Har bir o‘quv va sinov videolari juftligi uchun algoritm mos xususiyat vektorlari orasidagi masofani qaytaradi va ushbu masofaga ko‘ra ikkala video ketma-ketlikda bir xil odam bor yoki yo‘qligini taxmin qiladi. Tekshiruv sifatini baholash uchun biz noto‘g’ri qabul qilish stavkalari (FAR) va noto‘g’ri rad etish stavkalari (FRR) va teng xatolik stavkalari (EERs) hisoblangan qabul qiluvchining operatsion xarakteristikasi (ROC) egri chiziqlarini tuzdik.

Experimentlar va natijalar

Quyidagi tajribalarning maqsadi turli xil sharoitlarning yurish qobiliyatiga ta’sirini o‘rganishdir, jumladan:
– tarmoq arxitekturasi va agregatsiya usullari;
– algoritmlarni o‘rgatish va sinab ko‘rish uchun ishlatiladigan tana qismlari;
– qo‘lga kiritilgan yurishning uzunligi;
– o‘qitish va sinov ma’lumotlar to‘plamidagi farqlar.
Natijalar ushbu yondashuvdan bir necha yil oldin ishlab chiqarilgan natijalar bilan taqqoslanadi, jumladan Fisher vektorlariga asoslangan model [49] va multimodal xususiyatlar (RGB ramkalar, audio va chuqurlik) [104], ular o‘zlarining eng zamonaviy natijalarini o‘sha vaqatda ko‘rsatdilar.
Tajribalarning birinchi to‘plami usulning o‘zini baholashga va tarmoq arxitekturasi, yig’ish usullari va o‘xshashlik ko‘rsatkichlari kabi turli xil texnik yondashuvlarni solishtirishga qaratilgan. Boshlash uchun, TUM va CASIA to‘plamlarida yon ko‘rinishni aniqlash tajribalari o‘tkazildi.
Barcha algoritmlar noldan o‘qitildi. TUM GAID ma’lumotlar to‘plamida yon ko‘rinishni aniqlash natijalari 3.2-jadvalda ko‘rsatilgan, bu taklif qilingan yondashuv barcha zamonaviy usullardan ustun bo‘lgan eng aniq ekanligini ko‘rsatadi. [47; 90; 105; 106]
3.8-jadval
TUM-GAID ma’lumotlar to‘plamida tanib olish sifati

Method Evaluation Architecture & Embedding	Aggregation	Metrics	Rank-1 [%]	Rank-5 [%]
VGG + PCA (1000)	avg	𝐿2	96,4	100,0
VGG + PCA (1000)	avg	𝐿1	97,8	100,0
VGG + PCA (500)	concat	𝐿2	97,4	99,9
VGG + PCA (500)	concat	𝐿1	98,8	100,0
Wide ResNet + PCA (230)	avg	𝐿2	98,3	99,9
Wide ResNet + PCA (230)	avg	𝐿1	99,2	99,9
Wide ResNet + PCA (150)	concat	𝐿2	98,8	99,8
Wide ResNet + PCA (150)	concat	𝐿1	99,8	99,9
Baseline model, VGG		𝐿1	97,5	99,9
CNN + SVM [90]		𝐿2	98,0	99,6
DMT [105]			98,9	—
RSM [106]			92,0	—
SVIM [47]			84,7	—
DCS [104]			99,2	—
H2M [104]			99,2	—
PFM [49]			99,2	99,5

3.8-jadvalda "avg" xususiyatlarni yig’ish uchun sodda yondashuvni bildiradi, bunda o‘rtacha deskriptor tananing barcha qismlari bo‘yicha hisoblanadi, "concat" esa yaxshi natijalarni beradigan tavsiflovchilarning birlashuvini belgilaydi.
Shuni ta’kidlash kerakki, o‘z davridagi eng yaxshi PFM [49] yondashuvi ruxsatni o‘zgartirmasdan 640 × 480 boshlang’ich o‘lchamdagi kirish freymlarini oladi, taklif qilingan usulning kirishlari esa qayta ishlash uchun kamroq vaqt va xotira talab qiladigan qisqartiriladi.
Biroq, algoritm sifati nafaqat PFM bilan bir xil darajaga erishdi, balki undan ham oshib ketdi. Wide ResNet arxitekturasi tanib olishning eng yaxshi aniqligini ko‘rsatadi va VGG-ga o‘xshash parametrlarga qaraganda ancha kam parametrlarga ega, shuning uchun bu arxitektura yurishni aniqlash vazifasiga ko‘proq mos kelishi kerak va keyingi tajribalarda asosiysi sifatida qabul qilinadi.
Tashqi ko‘rinishi va shakli yurish tasviriga ta’sir qilmasligi kerakligi sababli, ma’lumotlar to‘plamida taqdim etilgan turli sharoitlarda tanib olish sifati ham baholanadi. 3.9-jadvalda aks ettirilgan natijalar tavsiya etilgan yondashuv poyabzal va tashish sharoitlarining o‘zgarishiga barqarorligini va modelning aniqligi siluet va tashqi ko‘rinishdagi kichik o‘zgarishlar bilan ancha yuqoriligini tasdiqlaydi.