بترکه چشم حسود    

جستجوی پیشرفته مقالات

     عنوان:

نماد اعتماد الکترونیکی

logo-samandehi

لیست مقالات ترجمه شده

سایر مقالات

امروز
دیروز
هفته جاری
هفته گذشته
ماه جاری
ماه گذشته
بازدید کل
1323
8945
56980
6472843
115391
233912
6837768

آی‌پی شما: 3.215.182.36
امروز: یکشنبه، 24 آذر 1398 شمسی ساعت به وقت گرینویچ: 03:09:41

توجه                           توجه

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


       دسته‌بندی: مقالات پردازش تصویر       فروش: 1 بازدید: 4904
بهینه سازی مجموعه آموزشی برای تشخیص چهره قوی تر
    قیمت محصول: 200000 ریال



Optimization of a training set for mor erobust face detection

A B S T R A C T

The performance of a learning-based method highly depends on the quality of a training set. However, it is very challenging to collect an efficient and effective training set for training a good classifier, because of the high dimensionality of the feature space and the complexity of decision boundaries. In this research, we study the methodology of automatically obtaining an optimal training set for robust face detection by resampling the collected training set. We propose a genetic algorithm (GA) and manifold-based method to resample a given training set for more robust face detection. The motivations behind lie in two folds: (1) dynamic optimization, diversity, and consistency of the training samples are cultivated by the evolutionary nature of GA and (2) the desirable non-linearity of the training set is preserved by using the manifold-based resampling. We demonstrate the effectiveness of the proposed method through experiments and comparisons to other existing face detectors. The system trained from the training set by the proposed method has achieved 90.73% accuracy with no false alarm on MIT+CMU frontal face test set—the best result reported so far to our knowledge. Moreover, as a fully automatic technology, the proposed method can significantly facilitate the preparation of training sets for obtaining well-performed object detection systems in different applications.

 

pdfدانلود رایگان مقاله انگلیسی              900.97 KB

 

چکیده
کارایی روش مبتنی بر یادگیری عمدتا به کیفیت مجموعه آموزشی بستگی دارد. با اینحال، جمع آوری مجموعه آموزشی موثر و کارا برای آموزش طبقه بندی کننده خوب به دلیل ابعاد زیاد فضای مشخصه و پیچیدگی مرزهای تصمیم چالش انگیز است. در این تحقیق، در مورد متدولوژی دستیابی خودکار به مجموعه آموزشی بهینه برای تشخیص چهره قوی با نمونه برداری مجدد مجموعه آموزشی جمع آوری شده بررسی می کنیم. یک الگوریتم ژنتیک (GA) و یک روش مبتنی بر چندتایی برای نمونه برداری مجدد مجموعه آموزشی مشخص برای تشخیص چهره قوی تر پیشنهاد می کنیم. انگیزه های این تحقیق در دو بخش می باشند: (1) بهینه سازی پویا، تنوع و سازگاری نمونه های آموزشی توسط ماهیت تکاملی GA صورت می گیرند و (2) غیرخطی بودن مطلوب مجموعه آموزشی با استفاده از نمونه برداری مجدد مبتنی بر چندتایی حفظ می شود. تاثیربخشی روش پیشنهادی را بواسطه آزمایش ها و مقایسه ها با سایر تشخیص دهنده های چهره موجود نشان می دهیم. سیستم آموزش دیده از مجموعه آموزشی توسط روش پیشنهادی به 90.73% صحت بدون آلارم اشتباه در مجموعه تست چهره جلویی MIT+CMU دست یافته است – بهترین نتیجه گزارش شده تاکنون تا جاییکه اطلاع داریم. بعلاوه، بعنوان یک تکنولوژی کاملا اتوماتیک، روش پیشنهادی می تواند بطور قابل توجهی آماده سازی مجموعه های آموزشی را برای دستیابی به سیستم های تشخیص شی بخوبی اجرا شده در کاربردهای مختلف سهولت بخشد.

 

تعداد صفحات مقاله انگلیسی: 13 صفحه
تعداد صفحات مقاله فارسی:41 صفحه


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