تعلم متري مُرَدَّدٌ في الجوار لتحديد القرابة

التحقق من القرابة من خلال الصور الوجهية يُعد مشكلة مثيرة وصعبة في مجال الرؤية الحاسوبية، وهناك عدد محدود جدًا من المحاولات التي تم إجراؤها في الأدبيات العلمية لمعالجة هذه المشكلة. في هذه الورقة، نقترح طريقة جديدة تُعرف بتعلم القياس المُنفَرِد للجوار (NRML) للتحقق من القرابة. مستوحاة من حقيقة أن العينات بين الفئات (التي لا توجد بينها علاقة قرابة) ذات تشابه عالٍ غالبًا ما تقع في جوار مُحَدَّد، وغالبًا ما تُصنف خطأً أكثر من العينات ذات التشابه المنخفض، نهدف إلى تعلُّم قياس للمسافة بحيث تُجذب العينات داخل الفئة (التي توجد بينها علاقة قرابة) إلى أقصى حد ممكن، في حين تُنفَر العينات بين الفئات التي تقع في جوار مُحَدَّد وتُدفع بعيدًا قدر الإمكان، وذلك في نفس الوقت، بهدف استغلال معلومات تمييزية أكثر فاعلية في عملية التحقق. ولتحسين استخدام عدة واصفات مميزة لاستخلاص معلومات مكملة، نقترح أيضًا طريقة متعددة المقاييس NRML (MNRML) للبحث عن قياس مسافة مشترك يُستخدم لدمج الميزات المتعددة وتحسين أداء التحقق من القرابة. وتم تقديم نتائج تجريبية تُظهر فعالية الطرق المقترحة. وأخيرًا، قمنا أيضًا باختبار قدرة الإنسان على التحقق من القرابة من خلال الصور الوجهية، وأظهرت نتائج تجاربنا أن الطرق المقترحة تُقارِب من حيث الأداء ما يُحققه المراقب البشري.