یادگیری آنلاین بر پایه الگوریتم بوستینگ در کاربرد تشخیص چهره
Boosted Online Learning for Face Recognition
این پروژه پیاده سازی مقاله الگوریتم Boosted Online Learning for Face Recognition بوده که اصل مقاله به زبان اصلی را می توانید بصورت رایگان از طریق لینک ذیل دانلود نمایید.
این پروزه شامل کد برنامه به زبان متلب (کد برنامه حدود 80 در صد متناسب با مقاله است) و یک ترجمه بسیار عالی از خود مقاله چه از نظر مفهومی و چه از نظر نگارشی در قالب فایل word (قابل ویرایش) و همچنین گزارش مختصری در مورد کد برنامه در قالب فایل PDF می باشد.
قابل ذکر است در پیاده سازی این مقاله از پایگاه داده Jensen که شامل 15000 نمونه تصویر چهره از غیره چهره می باشد استفاده نمودیم، اندازه تصاویر در ابعاد 24*24 می باشد و بدلیل حجم زیاد دیتابس، دیتابس بصورت یک mat فایل در پوشه برنامه قرار گرفته است. این برنامه داری واسط گرافیکی بصورت شکل ذیل می باشد ، خروجی که این پیاده سازی دارد ارائه تشخیص تک به تک تصاویر با نمایش عدد 1 (در صورت چهره بودن) و -1(در صورت غیره چهره بودن) ، درصد دقت تشخیص و همچنین زمان اجرای برنامه را بعنوان خروجی برمیگرداند.
برای ورودی برنامه می توانید تعداد داده ها و همچنین درصد داده های ترین و تست رو مشخص کنید.
دریافت کد برنامه و گزارش برنامه ( ایمیل خود را با دقت وارد نمایید چون بعد از خرید، فایل به ادرس ایمیل ذکر شده ارسال خواهد شد)
قیمت : 20000 تومان
چکیده مقاله :
برنامه های کاربردی تشخیص چهره از سه مشکل معمول برخوردار هستند: 1-کاهش مجموعه آموزشی، 2- اطلاعاتی که در فضایی با ابعاد زیاد نهفته است و 3- نیازی که به شناسایی چهره افراد جدید می باشد. در مطالعات اخیر، دسته بندی کننده های چهره به منظور پوشش دادن چهره جدید در مدل، این مسئله را با تکنیکهای استخراج ویژگی آنلاین حل نموده اند.
در این مقاله الگوریتم بوستینگ آنلاین معرفی شده است: که یک روش دسته بندی کنندۀ تشخیص چهره بر پایه بوستینگ را توسعه داده است، بدین صورت که با اضافه شدن یک کلاس جدید، از نیاز به آموزش مجدد دسته بندی کننده در هر بار اضافه شدن فرد جدید به سیستم، جلوگیری می کند. دسته بندی کننده با استفاده از اصل یادگیری چند وظیفه ای آموزش داده می شود. کلاسهای جدیدی که به سیستم وارد می شوند، از مزایای ساختار آموزش دیده قبلی استفاده خواهند کرد، و اضافه شدن این کلاس های جدید، نیازی به محاسبات تکراری نخواهد داشت.
عنوان مقاله : سیستم های مبتنی بر شبکه عصبی
قالب بندی : Word
قیمت : رایگان
شرح مختصر : شبکه‌های عصبی مصنوعی Artificial Neural Network – ANN) ) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روشهای محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایده اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش دادهها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل میکنند و توسط سیناپسها(ارتباطات الکترومغناطیسی) اطلاعات را منتقل میکنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلولها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیریاند. مثلا با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثالها وزن سیناپسها به گونه‌ای تغییر میکند که در صورت دادن ورودیهای جدید، سیستم پاسخ درستی تولید کند. توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکه‌ای از عناصر پردازش ساده (نورونها) است، که میتواند رفتار پیچیده کلی تعیین شدهای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورونها (آکسونها، شاخه‌های متعدد سلولهای عصبی و محلهای تماس دو عصب)نشأت گرفته‌است، که یکی از قابل توجهترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل میدهد. در یک مدل شبکه عصبی، گرههای ساده (بطور گسترده نورون، نئورونها، “PE” ها (عناصر پردازش) یا واحدها) برای تشکیل شبکه‌ای از گرهها، به هم متصل شده اند،به همین دلیل به آن، اصطلاح”شبکه‌های عصبی” اطلاق میشود. در حالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن بواسطه الگوریتمهایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد. با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد. این شبکه‌ها برای تخمین (Estimation) و تقریب (Approximation)کارایی بسیار بالایی از خود نشان داده‌اند. گستره کاربرد این مدل‌های ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع میباشد که به عنوان چند نمونه کوچک می‌توان استفاده از این ابزار ریاضی در پردازش سیگنال‌های بیولوییکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد.
این پروژه شامل پیاده سازی مسئله بهترین مسیر از نقطه شروع تا هدف در صفحه مشبک 10*10 با استفاده از الگوریتم تکاملی می باشد. که با زبان متلب (matlab) پیاده سازی شد.
گزارش برنامه در قالب دو فایل word و Pdf می باشد.
دریافت کد برنامه و گزارش برنامه ( ایمیل خود را با دقت وارد نمایید چون بعد از خرید فایل به ادرس ایمیل ذکر شده ارسال خواهد شد)
قیمت : 15000 تومان
هدف از این پروژه بررسی روشهای انتخاب در الگوریتم های تکاملی است و موارد زیر پیاده سازی شده است .
(1) انتخاب مبتنی بر شایستگی
- چرخ رولت (RW)
- بولتزمن
- SUS
(2) انتخاب مبتنی بر رتبه
- رتبه بندی مستقیم
- رتبه بندی خطی (a,b)
- رتبه بندی غیر خطی
(3) انتخاب تورنومنت
در گزارش موارد زیر بررسی میگردد :
برای همه روشهای بالا نمودار فشار انتخاب را بعنوان تابعی از زمان ترسیم نمایید.
نمودار از دست رفتن تنوع را بعنوان تابع از زمان بررسی گردد.
نمودار پیشرفت الگوریتم (شایتسگی بهترین فرد جامعه) رسم گردد.
این پروژه پیاده سازی مقاله الگوریتم DE و NSDE بوده که اصل مقاله به زبان اصلی را می توانید بصورت رایگان از طریق لینک ذیل دانلود نمایید.
این پروزه شامل کد برنامه به زبان متلب و گزارش برنامه در قالب فایل PDF می باشد. در تهیه این برنامه سعی شده قدم به قدم گامهای مقاله پیاده سازی شده و در برنامه مشخص گردد. و همچنین در گزارش آن که به زبان فارسی می باشد توضیحات و نمودارها و مقایسات لازم صورت گرفته است.
خرید کد برنامه و گزارش برنامه (حتما آدرس ایمیل را درست ذکر نمایید چون بعد از خرید ایمیل خواهد شد)
قیمت : 25000تومان
این کد شامل پیاده سازی دو الگوریتم ذیل با زبان matlab می باشد.
1- DE (الگوریتم تکاملی تفاضلی)
2- NSDE
سوالاتی که در این گزارش به آنها پاسخ داده شده است
1- هر 5 مدل جهش ممکن برای الگوریتم تکاملی تفاضلی را پیاده سازی نمایید و به لحاظ کارایی با هم مقایسه کنید.(نمودار شایستگی بر حسب نسل را برای همه حالات رسم کنید)
2- فشار انتخاب و از دست رفتن تنوع را برای روش انتخاب الگوریتم بررسی کنید.
3- الگوریتم تکاملی تفاضلی دارای سه پارمتر اصلی است.این سه پارمتر را معرفی کرده و نقش هر کدام را بیان کنید؟
4- الگورتم NSDE را پیاده سازی کنید و نتایج آن را با روش بالا مقایسه کنید.
5- تفاوت این الگوریتم با الگوریتم تکاملی تفاضلی در چیست.
Medical Image Compression
فشرده سازی تصاویر پزشکی
فرمت گزارش : word ، PDF و پاورپوینت
تعداد صفحات گزارش : 68صفحه
تعداد اسلایدهای گزارش : 52 اسلاید
دانلود منابع گزارش به رایگان :
قیمت : 35000 تومان
از آنجایی که در شاخه علم پزشکی از راه دور، ذخیرهسازی و انتقال تصاویر پزشکی، اهمیت بسیار زیادی پیدا میکند، با توجه به محدودیت در پهنای باند و ظرفیت ذخیرهسازی، یک تصویر پزشکی میتواند قبل از انتقال یا ذخیرهسازی، به فشردهسازی نیازمند باشد. در میان روشهای مختلف فشرده سازی، تکنیکهایی بر پایه تبدیل[1]، که یک تصویر را از حوزه مکان به دادههایی در دامنه طیف تبدیل میکنند، بسیار موثر هستند.
با توجه به گستردگی استفاده از تبدیل گسسته کسینوسی[2] در روشهای فشردهسازی، در گزارش مطالعاتی پیشرو، ابتدا نوعی از تبدیل گسسته کسینوسی، به عنوان تبدیل گسسته‌ی کسینوسی پیچشی[3] بررسی میشود، که برای فشردهسازی تصویر دو بُعدی استفاده و نشان داده شده است که به انجام بهتر تبدیل گسسته کسینوسی در نرخ بیتهای بالا می پردازد. همچنین از آنجایی که در فشردهسازی مبتنی بر تبدیل گسسته کسینوسی، برای سادگی محاسباتی، تصویر را به بلوک های کوچکتر، تقسیم میکند و بلوک ها بر اساس محتوای اطلاعات طبقه بندی شدهاند تا نسبت فشردهسازی بدون به خطر انداختن اطلاعات به حداکثر برسد، در بخشی از کار مطالعاتی، تکنیکی همراه با الگوریتم محاسباتی برای دستهبندی بلوکها، بر اساس مقدار آستانه و واریانس تطبیقی ارائه میشود. نتایج موثر این روش تطبیقی که برای تمامی تصاویر پزشکی قابل اجرا است، با اعمال آن به تصاویر سی.تی، اشعه ایکس و سونوگرافی و مقایسه نتایج در برابر تصاویر JPEG از نظر شاخصهای مختلف با کیفیت هدف نشان داده است.
مبحث آخری که در این گزارش بررسی خواهد شد، فشردهسازی تصاویر سه بُعدی با استفاده از کدگذار تبدیل وِیولِت میباشد. چهار الگوریتم تبدیل وِیولِت در اولین مرحله با چند نوع کدگذار در مرحله دوم استفاده خواهد شد، و سپس ترکیب بهینه وِیولِت-کدگذارها تعیین میگردد. برای تبدیل وِیولِت، دو نسخه تبدیل وِیولِت متقارن و مجزا بررسی میشود.
کلمات کلیدی:
پزشکی از راه دور، رادیولوژی از راه دور، فشرده سازی تصاویر پزشکی، فشرده سازی دادهها، تبدیل کسینوسی گسسته (سه بُعدی)، تبدیل کسینوسی گسسته پیچشی (سه بُعدی)، تبدیل وِیولِت متقارن، تبدیل وِیولِت مجزا
Keywords:
Telemedicine, Teleradiology, Medical image compression, Data compression, 3-D SPIHT, 3-D SPECK and 3-D, BISK, Symmetric wavelet transform, Decoupled wavelet transform, Discrete cosine transform (DCT), Warped discrete cosine transform (WDCT)
[1] Transform-based
[2] Discrete cosine transform (DCT)
[3] Warped discrete cosine transform (WDCT)
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 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
SUMMARIZATION OF NEWS SPEECH WITH UNKNOWN TOPIC BOUNDARY
خلاصه کردن گفتار خبری با مرزهای شناخته شده ی مطالب
فرمت ترجمه مقاله : word – قابل ویرایش
تعداد صفحات ترجمه مقاله : 14 صفحه
قیمت : 10000 تومان
چکیده
بینندگان تلویزیون تمایل دارند تمام اجزای یک برنامه خبری را در زمان کوتاه بدست آورند و این به دلیل تعداد روز افزون کانالهای خبری است. روش های خلاصهبرداری مرسوم بر اساس استخراج جملات مهم از یک مطلب است که در یک گفتار خبری گنجانده شده. این روشها چندان مناسب نیستند چون جملات مهم به دلیل مرزهای ناشناختهی مطلب همیشه به راحتی قابل استخراج نیست. برای حل این مشکل، در این مقاله ما به ارائهی یک روش خلاصهبرداری برای برنامه خبری تلویزیون پرداختهایم که با استفاده از قطعه بندی متن خبری به چندین مطلب و سپس استخراج جملهی مهم از هر مطلب عمل میکند.
Speech Summarization Without Lexical Features
for Mandarin Broadcast News
خلاصه سازی گفتار بدون ویژگی واژگان برای پخش اخبار ماندرین
فرمت ترجمه مقاله : word – قابل ویرایش
تعداد صفحات ترجمه مقاله : 12 صفحه
قیمت : 10000 تومان
چکیده
ما اولین مطالعه شناخته شده تجربی روی خلاصه گفتار بدون خصوصیات واژگانی برای پخش اخبار ماندارین را ارائه میدهیم. ما خصوصیات صوتی، واژگانی و ساختاری را به عنوان پیشبینیهای جملات خلاصه ارزیابی میکنیم. ما پیدا میکنیم که تلخیص کننده، اجرای خوب در متوسط سنجش F با مقدار 0.5646 را حتی توسط استفاده از ترکیب خصوصیات صوتی و ساختاری به تنهایی نتیجه میدهد که مستقل از خصوصیات واژگانی میباشند. در مجموع، ما نشان میدهیم که خصوصیات واژگانی برای خصوصیات واژگانی مافوق هستند و تلخیص کننده ما به طور حیرت انگیزی در متوسط سنجش F با مقدار 0.3914 تنها با استفاده از خصوصیات صوتی بخوبی انجام کار میکند. این یافتهها ما را قادر میسازند تا گفتار را بدون قرار دادن یک نیاز دقیق روی دقت تشخیص گفتار خلاصه نماییم.
Adaptive threshold-based block classification in medical image compression
for teleradiology
دسته بندی بلوکی مبتنی بر حدآستانهی انطباقی در فشردهسازی تصویر پزشکی رادیولوژی
فرمت ترجمه مقاله : word – قابل ویرایش
تعداد صفحات ترجمه مقاله : 18 صفحه
قیمت : 20000 تومان
چکیده
ارتباطات راه دور، در میان دیگر چیزها، شامل ذخیرهسازی و انتقال تصاویر پزشکی است که به آن رادیولوژی از راه دور نیز گفته میشود. به علت محدودیت روی پهنای باند و ظرفیت ذخیرهسازی، یک تصویر پزشکی ممکن است قبل از انتقال/ ذخیره نیاز به فشرده شدن داشته باشد. در میان روشهای مختلف فشردهسازی، تکنیکهای مبتنی بر تبدیل که یک تصویر را در حوزه‌ی فضایی به دادهها در حوزه‌ی طیفی تبدیل میکنند بسیار مؤثر است. تبدیل گسسته‌ی کسینوسی (DCT) احتمالاً محبوب‌ترین تبدیل استفاده شده در فشردهسازی تصویر در استانداردهایی مانند گروه متخصصان گرافیکی متصل (JPEG) است. در فشردهسازی مبتنی بر DCT، تصویر به بلوک‌های کوچکتری برای سادگی محاسبات تقسیم میشود. بلوکها بر اساس محتوای اطلاعاتی طبقه‌بندی می‌شوند تا نرخ فشردهسازی بدون از بین رفتن اطلاعات تشخیصی، به حداکثر برسد. مقاله‌ی حاضر، یک تکنیک همراه با الگوریتم محاسباتی برای طبقه‌بندی بلوکها بر اساس مقدار آستانه‌ی انطباقی واریانس ارائه میکند. روش انطباقی، تکنیک طبقه‌بندی را برای همه‌ی تصاویر پزشکی مناسب میکند. کارایی آن با اعمال به تصاویر CT، X-ray و فرا صوتی و مقایسه با JPEG از لحاظ شاخصهای کیفی و عینی مختلف نشان داده شده است.
