لیکوال : صفت الله روښـــــــــــان
لنډیز
بسم االله الرحمن الرحيم، الحمد الله رب العالـمين، والصلاة والسلام على سيدنا محمد وآله وصحبه والتابعين، د اشخاصو پیژندلو لپاره د ګوتو نښې يو مهمه او پراخه او ښه لاره ده چې د انسان د ګوتو نښې د تائیدي په توګه کارول کېږي ، او موږ کولاې شو چې د دغه لارې په اساس د انسانانو جنسیت (جنډر) طبقه بندي هم تر سره کړو چې دغه لاره دې انسانانو د ژوند په یوه برخه کې خورا مهم رول لوبوي لکه باېمیټریک، جرمونو، نظارت، د انساني او کمپیوټر تر منځ تعامل، سوداګریز فعالیتونو. که څه هم په تیرو وختونو کې د اشخاصو پيژندنه او یا د جنسیت (جنډر) طبقه بندي لپاره د باېمیټریک (biometric)له ځانګړتیاوې څخه ګټه اخیسل کیده لکه مخ، ګيټ (دروازه)، سترګی او د لاس شکل ،لکه څرنګه چې زیاتو ساینس پوهانو د څیړنې او تجربي له مخی د جنسیت (جنډر) طبقه بندي لپاره ډیری د انسان د مخ پر برخه ولاړ دې ځکه چې د انسان دغه برخه د نورو په پرتله خورا مهم ځانګړتیاوې لري. په دې لیکنه کې موږ د جنسیت (جنډر) طبقه بندي لپاره د ګوتو نښانونه تحلیل کړي دي په دې هیله چې دا د راتلونکي څیړنې لپاره به خورا مهمه ونډه ولري. د (NIST ) انسټیټوټ په ډیټابیس کې په اصلاح شوي فعالیتونونه سره په ( CNN ) کې درې قانع کوونکي لارې انتحاب کړي چې د ښي پاېلي کیدو لامل شوي ،د دغه انسټیټوټ په ډیتابیس کې يي 4000 عکسونو ځای پر ځای کړي چې د ((CNN شبکي سیستم په ګټه اخستلو سره یی 99٪ حقیقت ترلاسه کړی ، دغه د (CNN) سیسټم فعالیت ښودلي چې د ګوتو نښان د یو شخص د جنسیت پيژندلو لپاره حیاتي او مهمی ځانګړتیاوې لري.
کلیدي کلیمه : باېمیټریک، د قناعت وړ عصبي شبکه د(CNN) ماډل په روزلو سره د ګوتو نښانونه په مرسته دجنسیت طبقه بندي کيږي.
پیژندنه:
د ګوتو په سرونو کې چې کوم کوچني خطونه لیدل کیږي دغه د باېمیټرک لپاره ښه نمونه کیدلاې شي ، چې د دغه خطونه په منځ کې یوه روښانه ساحه موجوده ده ، د دې ځانګړتیا د نورو په پرتله د باېمیټرک سیسټمونو لپاره مناسبه ده ځکه چې د ګوتو نښان په زیاتو برخو کې ډیري ګټي لري لک: د امکان وړ، له یو بل څخه توپیر لري (جلا)، داېمي، دقیق، دباور وړ، او منلو وړ وي دغه باېمیټرک د انسان پيژندنې لپاره کارول کېږي چې د نړیوالو مقالو څخه تر لاسه شوي د ګوتو له نښو څخه د جنسیت (جنډر) طبقه بندي کولو لپاره او د جرمونو په تحقیق هم خورا مهمه ونډه لري ، که څه هم د ګوتو نښان په بایمیټرک کې د ټکنالوجۍ په برخه کې په ټوله نړۍ کې د قانون په محکمو کې د شواهدو د مشروع ثبوت په توګه استفاده کېږي ، د جنسیت پيژندنې لپاره د بایميټرک په ماشین کې لږ میتود وړاندي شوي ،او د جنسیت په ټاکلو کې تر سره شوي مطالعات په عمومي ډول د ګوتو د سر خطونو پورې اړوند خطونه دي لکه: د ګوتو دنښان شمیر، درا تاو شویو کثافت (تراکم) ، د را تاو شویو ضخامت تناسب ، د تاو او را تاو شویو خطونو عرض او د ګوتو نښان نمونې او د نمونې ډولونه کارولي دي .
اوس مهال د ډیري غوښتنو په اساس دغه ځانکړتیاوو ترکیبونو په یوه طبقه بندي کې شامل کړي لک ، عکس پېژندنه، د ګوتو د نښانونو په کارولو سره د جنسیت (جنډر) طبقه بندي په اړه ډیرې موجودې څيړنې د ګوتو د نښانونو په نمونو ولاړي دي لکه : حلقه (څاڅکې په شان)، کیڼ حلقه (لوپ)، ښي حلقه(لوپ)، د ګوتو دسر خطونو ترمنځ ساحه (Arch) او یا ددغه خطونو ترمنځ دخیمه په شکل جوړ شوي ده چې په لاندي شکل (۱) کې ښودل شوي دي خو په دغه تګلارو کې د خطونو (Arch) پارامټر(parameter) په دقیق اندازه کولو کې پاتې راغلې دي .
۱.۱. آرچ(Arch) د ا دې ګوتو دسرونو هغه رګونه ښي چې له یوې خوا ننوځي او له بل لورې تیریږي په همدي حال کې د خمې په شکل را پورته کېږي چې همدغه شکل منځ ته (Arch) وايي ، او دوه ډوله آرچیز پکې شتون لري چې یو يي ساده دي هیڅ دیلتا او هسته نلري او بل یي په مرکز کې دیلتا لري .
۱.۲ حلقه (loop) دا د ګوتو د خطونو هغه ساحه ده چې دې یو طرفه ننوځي او بل لوري نه را وځي چې دغه رګونه د منحني S شکل جوړ وي د حلقي یا منحني ته حلقه (loop) وایي .
۱.۳ (Whorl) د ګوتو د سرونو خطونه چې له یو لوري نه بل لوري ته د دیلتا شکل خطونو څخه تیريږي او بیضوي ته ورته شکل غوره کوي دغه خطونو ته (Whorl) وايي .
اړوند کارونه او نظورنه
دوه ساینس پوهانو چې یو عبدالله او بل اباس[۱] نومیده چې د ګوتو د نښان په اړه داسې نظر ورکوي ،چې دګوتو د نښان په کارولو سره د جنسیت په طبقه بندي کې د څو پرسیپټورن عصبي شبکې (PNN) څخه څو لاري وړاندیز کړي چې د ګوتو په سرونو د ځانګړتیاو څخه د خطونو ضخامت ، د خطونو کثافت (تراکم) ، د خطونو تر منځ ساحه (Valley) د ضخامت تناسب او د یا د سپینی کرښی شمیرې په وتلو سره تر لاسه کېږي او دوی په څیړنه کې دا ومندل چې د ښځو د خطونو (ridge) ضخامت او تناسب په طبقه بندي کې لوړ ارزښت لري او د نارینو خطونه (ridge) شمیر نظر ښځو ته زیات دي، یو بل ساینس پوه ایمانویلامار [۲] د ګوتو له نښو څخه د عمر او جنسیت اټکل کولو لپاره کیفیت او جوړښت ځانګړتیاوي کارولي چې د ګوتو د نښان له عکسونو څخه په اتوماتیک ډول د عمر او جنس د معلومولو لپاره میتودولوجي وړاندېز کړه چې د جنسیت په طبقه بندي کې د انځور جوړښت د د محلي بائنری نمونه ( Local Binary Pattern(LBP او محلي پړاو اندازه کولو Local Phase Quantization(LPQ) عملیو په کارولو سره کیږي چې ۸۹.۱٪ دقیق نتجه يي تر لاسه کړي .
حازم کمال اکنیل [3] په داسې نظر و چې په عمومي او ځانګړي توګه ما له زیات مطالعي څخه دا معلومه کړه چې یوازي د (CNN) ماډلونه کولاي شي چې د انسان عمر و د جنډر طبقه بندي ستونزه حل کړي د (CNN) د مناسب زده کړي په طریقي کارولو سره کولاې شي چې نوي ماډلونو و روزي چنسیت طبقه بندي کې غوره ګټه ترینه پورته کړي .
ګیل لیوی او تال حسنر [4] د (CNN) په کارولو سره د عمر او جنسیت طبقه بندي کړي ، چې دوي هم یو عصري او ژوره (CNN) کارولي د کمپیوتو سرچینو او د لوي شبکو روزنه کې د الګوریتم ننګونو له امله به معتدل توګه کارول کېږي ، د (CNN) شبکې په پراختیا ورکولو کې به اضافي او زیات ستونزه حل شي .
منګیش او شینډی[6]د جنډر په طبقه بندي کې دانځور دکارولو د ویښتانو د بدلون له کبله د جنسیت په طبقه بندي یا پیژندنه کې د ګوتو نښې تحلیل کړي ،چې هغه د داخلي ډیتابیس په کارولو سره د وړاندیز شوي الګوریتم فعالیت تائید کړ او د DWT، SVD او KNN ریاضیکي عملیو لخوا د دواړو ترکیبونو په کارولو سره د جنسیت طبقه بندي کچه ۱۰۰٪ فیصده بریالیتوب سره حل کړي.
S.S ګورنل، او باسوانا M [7] د ۱۰تائید شوي ریاضیکي او تخنیکی طریقو سره په ملاتړ د (SVM) ماشین پر بنسټ د ګوتو نښان د جنسیت طبقه بندي کولو لپاره ماډل وړاندی کړ، چې کار په درېو برخو وویشو لومړي دټولو ګوتو انځورنو د مخ پروسیس کول دي ، دوهم (DWT) د احصایوي ځنګړتیاوو محاسبه ده او درېم د کیوډراتیک کرنل تابع (QKF) او (RBF) سیګما سره د (SVM) ماشین په کارولو سره د نارینه او ښځینه د ګوتو نښو په استعمال سره دجنیست طبقه بندي کول.
ټول پورته فعالیتونه او نظونه یاد شوي خو ټول اغزمن ندي ځکه د دوی د معلومات اعتبار کولو لپاره ډیر د کمپیوټر استفادي وخت ته اړتیا لري ، موږ باید د ګوتو نښو د جنسیت (جنډر) طبقه بندي لپاره د قناعت وړ ماډل وړاندیز کړو .
تجربي، پایلې او تحلیلونه
په دې مقاله کې، موږ د ګوتو د نښې انځورونو پر بنسټ د جنسیت طبقه بندي کولو لپاره د Convolutional Neural Network (CNN) ماډل وړاندیز کړي، چې دا یو مشهور ماډل دی چې په ډیري کمپیوټري سیستمونو کې لیدل کېږي ، په دې موضوع کې دجنسیت پېژندلو لپاره د CNN ځانګړتیاوو څخه کار اخلو ترڅو د ګوتو د چاپ ډیټا یوځای کیدو څخه د عکسونو جنسیت معلومولو لپاره د CNN ماډل په مرسته تر سره کېږي لک په لاندي ساختماني شکل[۲] کې ښودل شوي، د کانولوشن عصبي شبکې (CNN) د انځور په پروسیس او د انځور دلید په تحلیل کولو کې د ستونزې حل لپاره کارول کېږي، او د ConvNetپه نوم هم پيژندل کېږي چې هر انځور د پکسل اندازه هم مترکس ګڼل کېږي چې لاندې مرحلي لري.
لکه څرنګه چې مو چې تحلیل وکړ له لاندې طریقو (Methods) څخه مو د ReLU طریق په پروکرام لیکنه کې له Python ژبه څخه استفاده وکړه
شماره د پروګرام لیکني ژبه Python په پروګرام کې ریاضیکې طریق (Method) RelU
۱
۲ Java Tanh
۳ C# Sigmoid
په دغه مقاله کې مو د پروګرام لیکني ژبه څخه پایتون (Python) ځکه انتخاب کړي چې د لوی ډیټا (معلومات) اداره کولو او په پیچلي ریاضياتو کې ترې ښه استفاده کیدلاې شي، پایتون ژبه د هوش مصنوعی لپاره زیاته موهمه ده ځکه دغه مقاله د هوش مصنوعی یوه برخه کڼل کيږي.
د ReLU طریق په دغه مقاله کې ځکه انتخاب شوي چې دغه طریقه مخصوصآ په پټو پوتونو او عصبي شبکو کې استفاده کیږي ، او په ښه سرعت سره تحلیل کولاې شي ځکه دغه مقاله په عصبي شبکو پوري تړاو لري .
کانولوشن مرحله (Convolution Layer)
دغه مرحله د انځور په ارزښتناکو ځانګړتیاوو لاس ته راړلو کې مهمه ونډه لري، د دې برخې هدف د وزن د لنډي محاسبې لپاره د عکس انداره کمول او عام کول ته وده ورکوي ترڅو چې انځور د (CNN) ماډل سره سم شي نوموړي مرحله د مټرکس فلتر د عملي په اساس د انځور تقشه جوړ وي چې دغه نقشه د پکسل ارزښتونو د مټرکس عملیه ګڼل کېږي .
لاندې ۵×۵ انځور ته پام وکړئ چې د پکسل عدد یې 0 یا هم 1 دي ، چې د 3×3 بعُدي مټرکس په فتلر کولو سره د ډاټ په طریقه د محاسبه تر سره کول ورسته کولاې شو چې د انځور مټرکس تر لاس کړو .
پولینګ مرحله (Pooling Layer)
د پولینګ مرحله د آنځور د فرعي نمونې کولو یا د فلتر مترکس مرحلې نه پرته د انځور په ریزولوشن کمول لپاره کارول کېږي. دا طبقه د قانع کوونکو مسیرونو تر منځ د اړیکو شمیر کموي او د محاسبې وخت لپاره اغرمن تمامېږي ، په هر حالت کې اولي انځور په غیر متقابلو دو اړخېزو ویشل شوي.
که چیري په لاندې اولي انځور کې 4×4 اندازه ولري او د فرعي نمونې اندازه 2×2 ، یو 4×4 اندازه انځور د 2×2 اندازه په څلور غیر متقابلو مټرکسونو و ویشل شي د مکس پولینګ طبقه په M×M جدول کې د عظمي عدد په ټاکلو سره د اوليه قانع کوونکو مسیرونو لخوا را مینځ ته شوي لاس ته راوړنه به فرعي نمونې (کوچنې پولینګ) ترسره کوي ، د کوچنې پولینګ (Min Pooling) په حالت کې د څلورو عددونو نه کچوني عددونه ټاکل کېږي.
اکټویشن تابع (Activation Function)
د اکــټوشن تابع د (CNN) په ماډل کې دا پریکړه کوي چې آیا نیورون فعال شي یا نه ، پدې معني ده چې شبکې ته د نیوزون داخلیدل مهم دي که نه او د غه پروسه به د ریاضیکې عملیاتو په کارولو تر سره شي ، او دا هم ویل شو چې د ښه کولو او آسانتیاو برابرولو لپاره استفاده کېږي چې په دغه مرحله کې درې پيژندل شوي فعالیتونو یا تابع ګاني شتون لري لک Tanh, Sigmoidاو Relu په دې ومقاله کې د Relu تابع څخه کار اخستل شوي دي ، که چیري له فلتر شوي انځورنو څخه هر منفي عدد لري کړو او په ځاي صفر وکارو شي مثلآ .
نوټ : نیرون د عصبي شبکې د پروسس لپاره یو بنسټیز واحد دی ، عصبي شبکه د انسان په ماغ کې د کار کولو په عمل ولاړه ده.
فولي کنیکټیډ مرحله (Fully Connected Layer)
په بشپړ ډول وصل شوي پورت (Fully Connected Layer) د دوه مختلفو پورتو ترمنځ د نیورونونو د نښلولو لپاره کارول کېږي، یا په بل ډول دا پورتونه په بشپړ ډول وصل شوي پورتونه د نیورون سیټ د مخکني پروت سره هر نیرون نښلو او تطبیق شوي پورتونه په پشپړ ډول وصل شوي پورتونه د (Relu) تابع په فعالیت سره کار کوي، چې ډیري د سافټویر کڅوړ شتون لري تر څو د عصبي شبکو د پلې کولو لپاره چوکاټ چمتو کړي په دغه مقاله کې د دغه د (CNN) ماډل روزولو لپاره د Python Library ) ، Theano او TensorFlow) پروګرامونو وړاندیز شوي دي .
تحلیل او پایلې
په دې برخه کې لومړۍ ځل د وړاندیز شوي جنسیت پېژندنې سیستم پایلې د ګوتو نښانونو يو مشهور عامه ډیټابیس (NIST DB2) په کارولو سره ازموینه تر سره کړه ، لومړۍ، موږ د دې ډیټابیسونو عمومي کتنه او د هر ډیټابیس لپاره کارول شوي تجربي ترتیب کوو، او د وړاندیز شوي موضوع لپاره مو د (NISTDB2 ) ډیټابیس نه استفاده کړي چې نوموړې ډیټابیس د کوتو د نښانونو لپاره یو لوي ډیتابیس شمیرل شوي چې د جنسیت طبقه بندي کولو لپاره کارول کېږي ، په دغه ډیټابیس کې د512×512 اندازه 4000 انځورونه لري ، چې 3200 روزنې انځورنه او 800 ازموینې انځورنه دي ، د (NIST) ډیټابیس څخه د ګوتو د نښې ځنی نمونې انځورونه د بیلا بیلو ځانګړتیاو لپاره لکه Arch(A), Right loop(RL), Left loop(LL), Whorl(W) Tented arch(T) ) په (۶) شکل کې ښودل شوي چې د یوه غښتلي (CNN) ماډل په کارولو سره د NIST DB2 د معلوماتو پر ځای کول لپاره د Core i7 CPU 2.6 GHz، 1-TB هارډ ډیسک، او 8-GB رام کې ازمویښت ترسره کړي .
کنفیوژن مټرکس (Confusion Matrix) په دغه مرحله کې د طبقه بندي الګوریتم فعالیت لنډولو لپاره کارول کېږي چې د سمو او غلطو وړاندي شویو عددونو شمیر لنډ وي .
Class Name Male Female
Male 91 9
Female 9 91
موږ ته د راکړل شوي چوکات فعالیتونه TP,FP,TN او FN په سمبولونو ښودل شوي چې د دغه څلورو ترکیبونو څخه د حقیقي عددونو دپیدا کول لپاره کارول کېږي ، صحیح او منفي TN (True Negative) ، غلط او مثبت FP (False Positive) ، صحیح او او مثبت TP (True Positive) او غلط او منفي FN (False Negative) ددغه مرحلي لپاره د Accuracy چې د دقت په معنی ده ، د جنسیت د شمیر د تناسب په توګه هم تعریف شوي چې د کنفیوژن مټرکس په ترکیب پوري اړه لري د دې لپاره له دغه طریقي څخه استفاده کوو ترڅو چې د جنسیت ټول شمیر په پراخه کچه روښانه شي ،دلته موږ د Accuracy لپاره د F-measure فارمول څخه ګټه اخلو چې په لاندي 1،2،3 مرحلو کې لارښونه وړاندیز شوي چې دغه طریقه د F- measure فارمول په مرسته د طبقه بندي لوړ قیمت په ګوته کوي .
Accuracy=(TP+TN)/(TP+TN+FP+FN)……….…………………………..(1)
precision=TP/(TP+FP)………………….…………………………… …(2)
Recall=TP/(TP+FN)………………………………………………………..(3)
F1-Scor=2×(precision×Recall)/(precision+Recall)………….……………………..(4)
د دغه مرحلې لپاره مو مخکې د اکټوشن تابع کې د RelU طریقه تر سره کړه چې پورته په جدول کې شتون لري ، چې په هغه کې دعددونو د مټرکس فعالیت ښودل شوي وو د RelU تابع په طریقه د 20 دورو په ورکولو سره د (CNN) ماډل په روزنه سره 70٪ دقیق انځور په مؤثر توګه طبقه بندي کړي.
مثلآ : TP = 60 ,TN = 50 ,FP = 10 FN = 35 د پورتنې فارمول په مرسته څلور ډول فیصدي لاس ته راړو .
F1-Scoe Recall Precision 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 Epochs Activation function
72% 63% 85% 70% 20 ReLu
پایـــــــله
مونږ په دې مقاله کې دجنسیت طبقه بندي لپاره داسې ماډل وړاندي کړي چې د انسانانو پېژندني لپاره استفاده کېږي ،
خو ددغه هدف ترلاس کولو لپاره په ماشینونو کې د ژوري کانولوشن عصبي ماډل ته اړتیا ده چې د انځورنو د طبقه بندي لپاره یو له پراخه کارول شوي ماډل څخه شمیرل کېږي او د ګوتو د انځورنو په اساس د جنسیت طبقه بندي لپاره د (DCNN) Deep Convolutional Neural Network شبکې څخه د انځورنو لپاره یو غښتلي قانع کوونکي ماډل روزل دي چې د 20 څخه تر 20 دورې پوري د (NIST DB4) ډيټابیس کې د فعالولو لپاره ګمارل شوي ، غوښتونکي کې کولاې شي د دغه ماډل څخه د لټون لپاره په پېژندنه او تصدیق کې کار واخلي او دRelU تابع په ژوره زده کړي سره کولاې شي داسي نور فعالیتونه تحلیل کړي .