بترکه چشم حسود    

جستجوی پیشرفته مقالات

     عنوان:

نماد اعتماد الکترونیکی

لیست مقالات ترجمه شده

سایر مقالات

امروز
دیروز
هفته جاری
هفته گذشته
ماه جاری
ماه گذشته
بازدید کل
20968
36285
105902
16404402
497346
496149
16886481

آی‌پی شما: 44.200.249.42
امروز: پنج شنبه، 09 فروردين 1403 شمسی ساعت به وقت گرینویچ: 21:01:00

توجه                           توجه

تمامی مقالات ترجمه شده در قالب فایل ورد (Word)  ارائه می‌شوند.


       دسته‌بندی: مقالات پردازش تصویر       فروش: 0 بازدید: 12058
تشخیص چهره : روش شبکه ی عصبی پیوندی
    قیمت محصول: 240000 ریال



Face Recognition: A Hybrid Neural Network Approach

َAbstract

Faces represent complex, multidimensional, meaningful visual stimuli and developing a computational model for face recognition is difficult [42]. We present a hybrid neural network solution which compares favorably with other methods. The system combines local image sampling, a self-organizing map neural network, and a convolutional neural network. The self-organizing map provides a quantization of the image samples into a topological space where inputs that are nearby in the original space are also nearby in the output space, thereby providing dimensionality reduction and invariance to minor changes in the image sample, and the convolutional neural network provides for partial invariance to translation, rotation, scale, and deformation. The convolutional network extracts successively larger features in a hierarchical set of layers. We present results using the Karhunen-Lo`eve transform in place of the self-organizing map, and a multi-layer perceptron in place of the convolutional network. The Karhunen-Lo`eve transform performs almost as well (5.3% error versus 3.8%). The multi-layer perceptron performs very poorly (40% error versus 3.8%). The method is capable of rapid classification, requires only fast, approximate normalization and preprocessing, and consistently exhibits better classification performance than the eigenfaces approach [42] on the database considered as the number of images per person in the training database is varied from 1 to 5. With 5 images per person the proposed method and eigenfaces result in 3.8% and 10.5% error respectively. The recognizer provides a measure of confidence in its output and classification error approaches zero when rejecting as few as 10% of the examples. We use a database of 400 images of 40 individuals which contains quite a high degree of variability in expression, pose, and facial details. We analyze computational complexity and discuss how new classes could be added to the trained recognizer.

 

pdfدانلود رایگان مقاله انگلیسی                526.89 KB

چکیده
چهره ها محرک های بصری پیچیده، چند بعدی و بامفهومی ارائه می کنند و توسعه ی مدل محاسباتی برای تشخیص چهره مشکل می باشد. یک راه حل شبکه ی عصبی پیوندی ارائه می کنیم که با روش های دیگر مقایسه می شود. سیستم ، نمونه برداری تصویر محلی، خودسازماندهی نگاشت شبکه ی عصبی و شبکه ی عصبی قراردادی را ترکیب می کند. نگاشت خودسازماندهی ، ارزیابی نمونه های تصویر را در یک فضای توپولوژیکی فراهم می سازد که در آن ورودی هایی که در فضای اصلی در نزدیکی هم می باشند در فضای خروجی نیز در مجاورت یکدیگر می باشند ، بنابراین، کاهش اندازه و تغییرناپذیری برای کاهش تغییرات در نمونه ی تصویر فراهم می سازند و شبکه ی عصبی پیچیده برای تغییرناپذیری جزئی برای تبدیل ، تغییر جهت، مقیاس و تغییر شکل آماده سازی می شود. شبکه ی پیچیده ، ویژگی های بیشتری در مجموعه ی سلسله مراتبی لایه ها استخراج می کند. نتایج را با استفاده از تبدیل Karhunen-Loeve در مکان نگاشت خودسازماندهی و پرسپترون چندلایه ای در مکان شبکه ی پیچیده ارائه می کنیم. تبدیل Karhunen-Loeve تقریبا به خوبی اجرا می شود (خطای 5.3% در مقابل 3.8%). پرسپترون چندلایه خیلی ضعیف اجرا می شود (خطای 40% در مقابل 3.8%). روش قادر به طبقه بندی سریع می باشد که به نرمال سازی و پیش پردازش سریع و تقریبی نیاز دارد و به طور مداوم کارایی طبقه بندی بهتری نسبت به روش چهره های ویژه روی پایگاه داده ی در نظر گرفته شده به صورت تعداد تصاویر هر فرد در پایگاه داده ی آموزشی نشان می دهد که از 1 تا 5 تغییر می یابد. با 5 تصویر از هر فرد ، روش پیشنهاد شده و چهره های ویژه به ترتیب منجر به تولید خطاهای 3.8% و 10.5% می شوند. تشخیص دهنده یک اندازه گیری از اطمینان در خروجی اش فراهم می سازد. خطای طبقه بندی زمانی به صفر می رسد که فقط 10 درصد از مثال ها رد شوند. ما از پایگاه داده ی 400 تصویر از 40 فرد استفاده می کنیم که شامل فقط درجه ی بالایی از تغییرپذیری در جزئیات چهره، حالت و قیافه می باشد. پیچیدگی محاسباتی را تحلیل می کنیم و در مورد نحوه ی اضافه شدن کلاس های جدید به تشخیص دهنده ی آموزشی بحث می کنیم.

تعداد صفحات مقاله انگلیسی: 22 صفحه

تعداد صفحات مقاله فارسی: 40 صفحه


لینک دانلود فایل خریداری شده بلافاصله بعد از پرداخت آنلاین فعال می‌شود