دانلود و نمایش مقالات مرتبط با ترکیب ویژگی::صفحه 1
بلافاصله پس از پرداخت دانلود کنید

با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد). 

نتیجه جستجو - ترکیب ویژگی

تعداد مقالات یافته شده: 4
ردیف عنوان نوع
1 مشتقات ثابت دو بعدی تفکیک پذیر صریح برای تشخیص جسم
سال انتشار: 2019 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 19
مشتقات ثابت تصویر به طور گسترده ای در زمینه های تشخیص الگو و دید رایانه مورد استفاده قرار گرفته اند، زیرا آنها قادر به ارائه الگوی ویژگی های مستقل تبدیل هندسی هستند. در حال حاضر، ثابت های تفکیک پذیر و مشتقات آنها به دلیل توانایی در ترکیب ویژگی های اساسی ثابت های متعامد مختلف، بیشتر مورد توجه قرار گرفته است. با این حال، بسیاری از مشتق های ثابت تفکیک پذیر موجود، به طور غیرمستقیم از مشتق های هندسی و بر اساس رابطه چندجمله ای متعامد و هندسی، به دست می آیند. بنابراین، در این مقاله، رویکرد مستقیمی برای ساخت مجموعه ای از مشتق های ثابت تفکیک پذیر گسسته Chebichef-Krawtchouk پیشنهاد شد که در آن به طور همزمان مشتق برای چرخش، مقیاس پذیری و تبدیل انتقال فراهم می شود و مبتنی بر فرم صریح چند جمله ای Tchebichef و Krawtchouk است. در نتیجه، نتایج تجربی و نظری اثربخشی روش پیشنهادی اثبات شد و ارجحیت آنها در طبقه بندی تصویر و شناخت الگو در مقایسه با روش های موجود نشان داده شد.
کليدواژه: مشتقات غیرمستقیم | روش صریح | ثابت تفکیک پذیر | چندجمله ای Krawtchouk | چندجمله ای Tchebichef | تشخیص الگو
مقاله ترجمه شده
2 A hybrid approach to building face shape classifier for hairstyle recommender system
یک روش ترکیبی برای ساخت طبقه بندی فرم صورت برای سیستم توصیه کننده مدل مو-2019
Identifying human face shape is the first and the most vital process prior to choosing the right hairstyle to wear on according to guidelines from hairstyle experts, especially for women. This work presents a novel framework for a hairstyle recommender system that is based on face shape classifier. This frame- work enables an automatic hairstyle recommendation with a single face image. This has a direct impact on beauty industry service providers. It can simulate how the user looks like when she is wearing the chosen hairstyle recommended by the expert system. The model used in this framework is based on Sup- port Vector Machine. The framework is evaluated on hand-crafted, deep-learned (VGG-face) features and VGG-face fine-tuned version for the face shape classification task. In addition to evaluating these indi- vidual features by a well-designed framework, we attempted to fuse these three descriptors together in order to improve the performance of the classification task. Two combination techniques were employed, namely: Vector Concatenation and Multiple Kernel Learning (MKL) techniques. All the hyper-parameters of the model were optimised by using Particle Swarm Optimisation. The results show that combining hand-crafted and VGG-face descriptors with MKL yielded the best results at 70.3% of accuracy which was statistically significantly better than using individual features. Thus, combining multiple representations of the data with MKL can improve the overall performance of the expert system. In addition, this proves that hand-crafted descriptor can be complementary to deep-learned descriptor.
Keywords: Face shape classification | Deep-learned feature | Hand-crafted feature | Hybrid feature-based approach | Feature combination
مقاله انگلیسی
3 A hybrid approach to building face shape classifier for hairstyle recommender system
یک روش ترکیبی برای ساخت طبقه بندی فرم صورت برای سیستم توصیه کننده مدل مو-2019
Identifying human face shape is the first and the most vital process prior to choosing the right hairstyle to wear on according to guidelines from hairstyle experts, especially for women. This work presents a novel framework for a hairstyle recommender system that is based on face shape classifier. This frame- work enables an automatic hairstyle recommendation with a single face image. This has a direct impact on beauty industry service providers. It can simulate how the user looks like when she is wearing the chosen hairstyle recommended by the expert system. The model used in this framework is based on Sup- port Vector Machine. The framework is evaluated on hand-crafted, deep-learned (VGG-face) features and VGG-face fine-tuned version for the face shape classification task. In addition to evaluating these indi- vidual features by a well-designed framework, we attempted to fuse these three descriptors together in order to improve the performance of the classification task. Two combination techniques were employed, namely: Vector Concatenation and Multiple Kernel Learning (MKL) techniques. All the hyper-parameters of the model were optimised by using Particle Swarm Optimisation. The results show that combining hand-crafted and VGG-face descriptors with MKL yielded the best results at 70.3% of accuracy which was statistically significantly better than using individual features. Thus, combining multiple representations of the data with MKL can improve the overall performance of the expert system. In addition, this proves that hand-crafted descriptor can be complementary to deep-learned descriptor.
Keywords: Face shape classification | Deep-learned feature | Hand-crafted feature | Hybrid feature-based approach | Feature combination
مقاله انگلیسی
4 کلاس‌بندی معنایی صحنه های شهری ناهمگون با استفاده از شباهت ویژگی میان صحنه‌ای و وابستگی معنایی میان صحنه ای
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 32
هدف کلاس بندی معنایی صحنه‌های شهری، طبقه بندی کردن صحنه‌هایی است که از انواع مختلفی از اشیاء که کلاس آن ها قبلا مشخص شده‌ است، تشکیل شده‌اند. برای یادگیری رابطه بین صحنه‌های شهری و کلاس‌های معنایی، پنج وظیفه مورد نیاز است: 1) بخش‌بندی تصاویر به صحنه‌ها؛ 2) ایجاد کلاس‌های معنایی صحنه‌ها؛ 3) استخراج و تبدیل صحنه‌ها؛ 4) اندازه‌گیری شباهت ویژگی میان صحنه‌‌ها؛ و 5) برچسب‌زنی هر صحنه با یک روش کلای‌بندی معنایی. علیرغم تلاش‌های زیادی که بر روی این وظایف صورت گرفته است، اکثر کارهای موجود تنها ویژگی‌های بصری با معیار شباهت متناقض را در نظر می‌گیرند، در حالیکه چشم‌پوشی از ویژگی معنایی دروم صحنه‌ها و تعاملات بین صحنه‌ها، منجر به نتایج کلاس بندی ضعیفی برای صحنه‌هایی با ناهمگونی بالا می شود. برای حل این مسائل، این تحقیق شباهت ویژگی میان صحنه‌ای را با وابستگی معنایی میان‌ صحنه‌ای ترکیب می کند تا یک رویکرد کلاس‌بندی دو مرحله‌ای ایجاد کند. برای مرحله اول، ابتدا ویژگی‌های بصری و معنایی به منظور تبدیل به مقدار ثابت بهینه شده و سپس به منظور کلاس‌بندی اولیه‌ی صحنه‌ها در k-نزدیکترین همسایه، بکار گرفته می شوند. برای مرحله دوم، توزیع چندجمله‌ای برای مدلسازی هر دو مورد وابستگی فضایی و معنایی بین صحنه‌ها ارائه شده، و سپس به منظور بهبود نتایج کلاس‌بندی اولیه مورد استفاده قرار می‌گیرند. پیاده‌سازی‌های انجام شده در دو حوزه تحقیقاتی حاکی از آن هستند که رویکرد پیشنهاد شده نسبت به تفسیر بصری، نتایج بهتری را برای صحنه‌های ناهمگون تولید می‌کند، چراکه آن می‌تواند اطلاعات مخفی بین صحنه‌ها را که معمولا روش‌های موجود از آن چشم‌پوشی می‌کنند، کشف کرده و مدل می‌کند. بعلاوه، در مقایسه با کلاس‌بندی اولیه، مرحله بهینه شده دقت را دو دو حوزه تحقیقاتی، بترتیب به اندازه 3.6% و 5% بهبود می‌بخشد.
کلمات کلیدی: ترکیب ویژگی‌هایی با ابعاد بالا | توزیع چند‌جمله‌ای | کلاس‌بندی صحنه.
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 2462 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 2462 :::::::: افراد آنلاین: 40