وبلاگ دیجی پروژه

پروژه و ترجمه های هوش مصنوعی

وبلاگ دیجی پروژه

پروژه و ترجمه های هوش مصنوعی

وبلاگ دیجی پروژه

دیجی پروژه را در کانال تلگرام دیجی پروژه دنبال نمایید
https://telegram.me/DigiProjects

آخرین نظرات

۴ مطلب با کلمه‌ی کلیدی «استخراج ویژگی» ثبت شده است

۱۰
فروردين

An Improved Algorithm for Online Unit Clustering

یک الگوریتم بهبود یافته برای خوشه‌بندی واحد آنلاین

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 12 صفحه

دانلود اصل مقاله – رایگان

قیمت : 15000 تومان

چکیده

ما مسئله‌ی خوشه‌بندی واحد آنلاین که اخیراً در WAOA’06 معرفی کردیم را در یک بعد بررسی می‌کنیم: با داشتن یک دنباله از n نقطه روی خط، هدف، بخش‌بندی نقاط به حداقل تعداد زیرمجموعه‌هایی است که هر یک در یک بازه‌ی واحد قرار بگیرند. ما یک الگوریتم تصادفی‌شده‌ی آنلاین ارائه می‌کنیم که به نرخ رقابتی مورد انتظار 11/6 در مقابل حریفان فراموشکار دست می‌یابد و نرخ قبلی 15/8 را بهبود می‌بخشد. این کار، به سرعت منجر به حدود بالای بهبود یافته برای مسئله در دو بعد یا بیشتر می‌شود.

۱۰
فروردين

Hierarchical spatiotemporal feature extraction using recurrent online clustering

استخراج سلسله‌مراتبی ویژگی فضایی و زمانی با استفاده از خوشه‌بندی آنلاین بازگشت کننده

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 22 صفحه

دانلود اصل مقاله – رایگان

قیمت : 25000 تومان

مقدمه

یادگیری عمیق ماشین، یک چارچوب جامع برای استخراج ویژگی‌های معنادار از مشاهدات پیچیده به شیوه‌ای بدون نظارت فراهم می‌آورد. اکثریت معماری‌های عمیق یادگیری توصیف شده در ادبیات، اصولاً روی استخراج ویژگی‌های فضایی تمرکز دارند. با این حال، در دنیای واقعی، دریافت وابستگی‌های زمانی در مشاهدات برای ارجاع دقیق، حیاتی است. این مقاله، یک بهبود برای DeSTIN معرفی می‌کند که یک معماری عمیق یادگیری ترکیبی است که هر لایه‌ی آن شامل چندین نمونه از یک گره‌ی عادی است که برای نمایش الگوهای فضایی و زمانی در داده‌ها بر اساس یک الگوریتم خوشه‌بندی بازگشت کننده‌ی جدید یاد می‌گیرد. بر خلاف معماری‌های عمیق اصلی مثل شبکه‌هایی با اعتقاد قوی که آموزش لایه به لایه فرض می‌شود، هر گره در معماری پیشنهادی به طور مستقل و به موازات آموزش می‌بینند. به علاوه، جریان اطلاعات بالا به پایین و پایین به بالا، به ساده‌سازی شکل‌گیری ویژگی‌های غنی کمک می‌کند. یک تنظیم نیمه نظارت با دستیابی به نتایج جدید روی بنچ مارک طبقه‌بندی MNIST نشان داده می‌شود. یک پیاده‌سازی GPU بعداً با تأکید بر ویژگی‌های مقیاس‌پذیری چارچوب پیشنهادی بحث می‌شود.


۰۵
فروردين

استخراج ویژگی‌های حالت چهره بر اساس FastLBP

Facial Expression Feature Extraction Based on FastLBP

این پروژه پیاده سازی مقاله فوق بوده (استخراج ویژگی برای تشخیص حالت چهره با استفاده از الگوهای باینری محلی و تحلیل مولفه اصلی) که اصل مقاله به زبان اصلی را می توانید بصورت رایگان از طریق لینک ذیل دانلود نمایید

دانلود مقاله به زبان اصلی

کد برنامه » متلب(Matlab)

فایل ترجمه : WORD and PDF

گزارش پیاده سازی : WORD and PDF

همراه با POWERPOINT برای ارائه حضوری

سال چاپ مقاله :  2013

این پروژه شامل کد برنامه به زبان متلب می باشد که 85 درصد مقاله پیاده سازی شده است.این پروژه شامل کد برنامه ، ترجمه مقاله، گزارش پیاده سازی و بهمراه یک پاورپوینت برای ارائه می باشد.

دریافت کامل کد برنامه،ترجمه مقاله ، گزارش پیاده سازی و بهمراه فایل ارائه پاورپوینت( ایمیل خود را با دقت وارد نمایید)

قیمت : 40000 تومان

دریافت ترجمه مقاله( ایمیل خود را با دقت وارد نمایید)

قیمت : ۲۵۰۰۰ تومان

چکیده

روش‌های استخراج ویژگی حالت چهره بر اساس LBP قدیمی، دارای معایبی همچون پیچیدگی و بعد بالای بردارهای ویژگی است که ممکن است کارایی فرایندهای تشخیص بعدی را کاهش دهند. این مقاله، برای حل این مشکلات، یک الگوریتم LBP بهبود یافته به نام (FastLBP (FLBP پیشنهاد می‌کند. FLBP بردارهای ویژگی توصیف شده توسط هیستوگرام LBP را فشرده می‌کند تا پیچیدگی الگوریتم را کاهش دهد. این روش، کارایی آموزش و تست در تشخیص حالات چهره را افزایش داده و دقت تشخیص را نیز تضمین می‌کند. نتایج آزمایشی نشان می‌دهند که FLBP پیشنهادی ارائه شده در این مقاله، سریع و کاراست.

 

۲۸
اسفند

Facial expression recognition based on Local Binary Patterns

بررسی تشخیص حالت چهره با استفاده از الگوهای باینری محلی

فرمت  گزارش  : word ، PDF و پاورپوینت

تعداد صفحات گزارش : 83 صفحه

تعداد اسلایدهای گزارش : 46 اسلاید

دانلود منابع گزارش به رایگان :

دانلود اصل مقاله1 – رایگان

دانلود اصل مقاله 2 - رایگان

دانلود اصل مقاله 3 - رایگان

قیمت : 38000 تومان

چکیده

تحلیل اتوماتیک حالت چهره، یک مسئله‌ی جالب و چالش‌برانگیز است و روی کاربردهای مهم در بسیاری از نواحی مانند تعامل انسان کامپیوتر و انیمیشن مبتنی بر داده، تأثیر گذار است. استخراج یک نمایش مؤثر چهره از تصاویر اصلی صورت، یک گام حیاتی برای تشخیص موفق حالت چهره است. در این گزارش، به طور تجربی، نمایش چهره را بر اساس ویژگی‌های محلی آماری، الگوهای باینری محلی، برای تشخیص مستقل از شخص حالت چهره ارزیابی می‌شود. روش‌های مختلف یادگیری ماشین روی پایگاه‌داده‌های متعدد بررسی شده‌اند. آزمایشات وسیعی نشان می‌دهد که ویژگی‌های LBP برای تشخیص حالت چهره، مؤثر و کاراست.  LBP تقویت شده  نیز فرمول سازی می‌گردد تا متمایزترین ویژگی‌های LBP را استخراج گردد و بهترین کارایی تشخیص با استفاده از طبقه‌بندهای ماشین بردار پشتیبان با ویژگی‌های LBP تقویت شده بدست می‌آید. به علاوه،  ویژگی‌های LBP را برای تشخیص حالت چهره با وضوح پایین بررسی می­شود که یک مسئله‌ی حیاتی است اما به ندرت در کارهای موجود به آن پرداخته شده است.  در آزمایشات مشاهده می‌کنیم که ویژگی‌های LBP به طور ثابت و محکم و در محدوده‌ی وضوح پایین تصاویر چهره کار می‌کنند و منجر به کارایی خوبی در دنباله‌های ویدئویی با وضوح پایین فشرده شده و گرفته شده در محیط‌های جهان واقعی می‌شوند.

تحقیقات در زمینه‌ی تشخیص حالت چهره، در تصاویر چهره تنها به صورت دید روبرو انجام شده است. تلاش‌هایی برای تولید طبقه‌بندهای حالت چهره‌های متغیر انجام شده است. با این حال، اکثر این تلاش‌ها تنها تغییرات افقی تا 45 درجه را در نظر گرفته‌اند که همه‌ی چهره مشخص است. کارهای اندکی برای بررسی پتانسیل ذاتی حالات مختلف برای تشخیص حالت چهره انجام شده است. این امر عمدتاً به دلیل پایگاه داده‌های موجود است که تنها تصاویری از چهره از دید روبرو را می‌اندازند. پایگاه داده‌های اخیر BU3DFE و multi-pie تحقیقات تجربی تشخیص حالت چهره برای زوایای دید مختلف را اجازه می‌دهند. یک روش دو مرحله‌ای برای طبقه‌بندی حالت و طبقه‌بندی حالت چهره مستقل از دید در نظر گرفته شده است. الگوهای باینری محلی (LBP) و تغییرات LBPها به عنوان توصیفگرهای بافتی بررسی می‌شود. این ویژگی‌ها، بررسی تأثیر موقعیت و تحلیل چند وضوحی برای تشخیص حالت چهره با چندین دید را اجازه می‌دهند. عوامل دیگر شامل وضوح و ایجاد بردارهای ویژگی محلی و سراسری بررسی شده است. از یک روش مبتنی بر ظاهر با تقسیم تصویر به زیر بلوک‌های قرار گرفته در چهره استفاده شده است. بردارهای ویژگی شامل هیستوگرام‌های الحاقی ویژگی ایجاد شده از هر زیر بلوک است. از ماشین‌های بردار پشتیبان چند کلاسی، برای یادگیری حالت و طبقه‌بندهای حالت چهره‌ی مستقل از موقعیت استفاده شده است.

روش‌های استخراج ویژگی حالت چهره بر اساس LBP قدیمی، دارای معایبی همچون پیچیدگی و بُعد بالای بردارهای ویژگی است که ممکن است کارایی فرایندهای تشخیص بعدی را کاهش دهند.از روش قطعه‌بندی هشت چشم استفاده شده است تا نواحی مؤثر تصویر حالت چهره را استخراج کند که می‌تواند برخی از اطلاعات غیر مفید را برای استخراج بعدی ویژگی کاهش دهد. سپس PCA ویژگی خاکستری از کل تصویر حالت چهره را استخراج کرده و اندازه‌ی داده‌ها را نیز به طور همزمان کاهش می‌دهد. LBP ویژگی همسایه‌ی محلی ناحیه‌ی دهان را استخراج می‌کند که بیشتر به تشخیص حالت چهره اختصاص دارد. در هم آمیختن ویژگی سراسری و محلی برای تشخیص حالت چهره مؤثرتر است. در نهایت، ماشین بردار پشتیبان (SVM) از ویژگی ترکیبی برای تکمیل تشخیص حالت چهره استفاده می‌کند.

کلمات کلیدی

استخراج ویژگی، الگوهای باینری محلی، تشخیص حالت چهره،تحلیل مولفه اصلی، ماشین بردار پشتیبان