身體資訊比重之探討 ─ h參數

  為完全使用身體資訊之測試。以下我們將分別對 h 與 σ 兩參數之變化來帶來之影 響進行討論。

4.7.1 身體資訊比重之探討 ─ h 參數

首先，探討不同的身體資訊比重對整體分群結果之影響，為了方便觀察，針對各 h，

我們將四個不同σ 所得數據進行平均值計算，作為各 h 之結果。以下依序為測試資料 3~5 的實驗結果，希望藉由多部影片的觀察，觀察不同的 h 對分群工作之影響。

圖 4-6：表 4-12 之 ARI 變化曲線圖（左為兩階段分群方法、右為所有串列一併分群）

藉由圖 4-6 的輔助觀察，我們說加上身體資訊對於分群準確性有顯著的提升，其中

觀察圖 4-7 的 ARI 變化曲線，我們發現其變化情形與圖 4-6 相似，都在加入身體資 訊後對分群結果有明顯提升，其中 h=0.2 時有最佳的分群結果；另一方面，持續加重 h 同樣無法產生更好的結果。此外我們也發現在測資 3 中使用身體資訊可提升大約 0.2 的 準確率，而測資 4 中僅提升約 0.1 的準確率，這是由於測資 4 中演員更換衣服的次數較 測資 3 來得頻繁（僅一次），使得串列之間的身體資訊較為複雜，因此加上身體資訊後 分群準確度雖有提升，但幅度卻不如測資 3 明顯。

圖 4-7：表 4-13 之 ARI 變化曲線圖（左為兩階段分群方法、右為所有串列一併分群）

0 0.1 0.2 0.3

0 0.2 0.4 0.6 0.8 1

C=6 C=10 C=20

C=30 0

0.1 0.2 0.3

0 0.2 0.4 0.6 0.8 1

C=6 C=10 C=20 C=30

圖 4-8：表 4-14 之 ARI 變化曲線圖（左為兩階段分群方法、右為所有串列一併分群）

藉由表 4-14 與圖 4-8 的觀察，我們發現加上身體資訊反而使得分群準確性降低。我 們已知測資 5 為多個不同年齡層演員共同演出的，這使得演員串列間的臉部差異性較為 明顯，即較容易進行辨識，因此僅使用臉部資訊進行分群即可獲得很棒的結果。

根據h0之結果（即僅使用臉部資訊進行分群），我們觀察到影集“Everybody Loves Raymond”之臉部分辨度明顯較“Friends”佳，造成此項差異的原因在於影集內的演員差異 性，由於“Everybody Loves Raymond”之主要演員有老年人、年輕人、小孩子各種年齡層，

臉部影像的差異性較大，而“Friends”主要演員皆為年輕男女，臉部影像的差異性較小，

因此在人臉辨識的進行上，具有較大差異性的臉部影像獲得較佳的辨識結果是必然的。

藉由身體資訊的使用，測資 3 與測資 4 皆獲得比僅使用臉部資訊更佳的分群結果；

另一方面不論是身體資訊簡單的測資 3 或者是身體資訊複雜的測資 4，若將身體資訊權 重持續增加，並不會產生更好的分群結果，甚至有不升反降的情形，因此使用少許的身 體資訊（Ex：h0.2~0.4）將可獲得最佳的分群結果。