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).
ردیف | عنوان | نوع |
---|---|---|
1 |
زمان واقعی و دقت شناسایی پهباد در یک ویدیو با یک پسزمینه ساکن
سال انتشار: 2020 - تعداد صفحات فایل pdf انگلیسی: 19 - تعداد صفحات فایل doc فارسی: 44 با افزایش تعداد هواپیماهای بدون سرنشین , خطر استفاده غیرقانونی آنها به امری مرتبط تبدیل شدهاست .
این امر ضرورت ایجاد سیستمهای حفاظت از هواپیماهای بدون سرنشین را ایجاب میکند . یکی از وظایف مهم حلشده توسط این سیستمها ، تشخیص قابلاطمینان هواپیماهای بدون سرنشین در نزدیکی اشیا حفاظت شده است . این مساله را میتوان با استفاده از روشهای مختلف حل کرد . از نقطهنظر نسبت قیمت - کیفیت ، استفاده از دوربینهای ویدئویی برای تشخیص هواپیمای بدون سرنشین مورد توجه زیادی است . با این حال ، تشخیص هواپیمای بدون سرنشین با استفاده از اطلاعات دیداری ، با شباهت زیاد هواپیماهای بدون سرنشین به دیگر اشیا ، مانند پرندگان و هواپیماها ، مختل میشود . علاوه بر این ، هواپیماهای بدون سرنشین میتوانند به سرعتهای بسیار بالایی برسند ، بنابراین تشخیص باید در زمان واقعی انجام شود . این مقاله به مشکل تشخیص هواپیمای بدون سرنشین با دقت بالا میپردازد . ما وظیفه شناسایی هواپیمای بدون سرنشین را به دو بخش جداگانه تقسیم کردیم : تشخیص اشیا در حال حرکت و طبقهبندی شی شناساییشده به صورت هواپیماهای بدون خلبان ، پرنده و پسزمینه . تشخیص جسم متحرک مبتنی بر تفریق پسزمینه است در حالی که طبقهبندی با استفاده از یک شبکه عصبی تحولی انجام میشود . نتایج تجربی نشان داد که روش پیشنهادی میتواند به دقت قابلمقایسه با رویکردهای موجود در سرعت پردازش بالا به دست یابد . همچنین به این نتیجه رسیدیم که محدودیت اصلی آشکار ساز ما وابستگی عملکرد آن در حضور یک پسزمینه متحرک است .
واژگان کاربردی: وسایل نقلیه هوایی بدون سرنشین | شناسایی اشیا | یادگیری عمیق | بینایی ماشین | پردازش تصویر | تشخیص بدون سرنشین | تشخیص پهپاد بدون سرنشین | تشخیص بصری |
مقاله ترجمه شده |
2 |
جستجوی نمایش های جایگزین تصاویر صورت برای تشخیص چهره
سال انتشار: 2020 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 16 توصیف و طبقه بندی تصاویر چهره وظیفه مهمی در بینایی کامپیوتر ، یادگیری ماشین و انجمن تشخیص الگو است. در گذشته ، محققان تلاش های بسیار زیادی در این کار داشته اند. محققان قبلی همیشه برای طبقه بندی بهتر تصاویر به دنبال تصاویر با وضوح بالا هستند. با این حال ، با استفاده از این مقاله ، ما یک نظر جدید ارائه می دهیم که در برخی موارد استفاده از نمایش جایگزین تصاویر صورت برای تشخیص چهره بسیار مفید است و کاهش مناسب وضوح تصویر برای طبقه بندی بهتر تصاویر چهره سودمند است. این ممکن است به ویژگی تغییرپذیر چهره ها و این واقعیت که نمایش های جایگزین پیشنهادی می تواند تا حدی تنوع درون کلاسی تصاویر چهره را کاهش دهد ، نسبت داده شود. همچنین ، به نظر می رسد ایده ارائه شده برای کمک به مردم در بهبود تکنیک های تشخیص چهره در دنیای واقعی مفید باشد.
کلمات کلیدی: بازنمایش تصویر | نمایش جایگزین | وضوح بالا | تشخیص چهره. |
مقاله ترجمه شده |
3 |
تشخیص چند نمایی چهره با استفاده از شبکه های عصبی عمیق
سال انتشار: 2020 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 19 تشخیص چهره به طور گسترده در سیستم های هوشمندی مدرن مانند نظارت تصویری هوشمند، پرداخت آنلاین و سیستم دسترسی هوشمند مورد استفاده قرار گرفته است. الگوریتم های تشخیص چهره فعلی در معرض حمله انواع حملات ارائه چهره می باشند؛ کاغذ چاپ شده، بازپخش ویدئویی و ماسک های سیلیکونی از این جمله حملات اند. ما به منظور مدیریت بهینه مشکلات مذکور، معماری عمیق و جدیدی را صورت بندی نموده ایم که دقت تشخیص چندنمایی چهره انسان را افزایش می دهد. به ویژه، در وهله اول، شبکه عصبی عمیق و جدیدی به منظور رمزگذاری عمیق نواحی صورت ساخته شده است که در آن الگوریتم جدید تنظیم و تطبیق چهره به کار رفته است تا بر روی نقاط کلیدی موجود در چهره متمرکز گردد. بعد از آن، فناوری شناخته شده PCA را برای کم کردن ابعاد ویژگی های عمیق و به طور همزمان، حذف ویژگی های تصویری ناخالص و غیرضروری به کار برده ایم. سپس چارچوب اتصال بیزی را برای ارزیابی شباهت بردارهای ویژگی و دقت بسیار رقابتی دسته بندی چهره ها که می توان به آن دست یافت مطرح نمودیم. آزمایشات جامع بر روی مجموعه داده های کامپایل شده کاس-پیل انجام گرفته و عملکرد تشخیص چهره به میزان 98.52% موفقیت آمیز بود. علاوه بر این، سامانه پیشنهادی تشخیص چهره، به صورت سفت و سخت قادر به مدیریت حملات مختلف تشخیص چهره در زمینه های مختلف می باشد.
کلمات کلیدی: یادگیری عمیق | ناحیه صورت | تشخیص تصویر چهره | شبکه عصبی عمیق | کاهش ابعاد ویژگی PCA |
مقاله ترجمه شده |
4 |
تشخیص چهره عمیق با استفاده از داده های ناقص صورت
سال انتشار: 2019 - تعداد صفحات فایل pdf انگلیسی: 13 - تعداد صفحات فایل doc فارسی: 39 امروزه تشخیص چهره مبتنی بر کامپیوتر یک مکانیسم بالغ و قابل اطمینان است که به طور عمده برای بسیاری از سناریوهای کنترل دسترسی مورد استفاده قرار می گیرد. به این ترتیب که تشخیص چهره یا احراز هویت عمدتا با استفاده از داده های کامل از تصاویر جلوی صورت انجام می شود. اگرچه ممکن است در عمل کمتر این مورد پیش بیاید، اما موقعیت های متعددی وجود دارد که ممکن است تصاویر کامل جلوی صورت در دسترس نباشد - تصاویر چهره ناقص که اغلب از دوربین های مدار بسته می آیند، شامل این موارد هستند. از این رو، مسئله تشخیص چهره مبتنی بر رایانه با استفاده از اطلاعات جزئی به عنوان شاخص هنوز هم تا حد زیادی یک حوزه تحقیق ناشناخته است. با توجه به این که به طور ذاتی انسانها و رایانه ها در تشخیص چهره و احراز هویت متفاوت هستند، باید جالب و جذاب باشد که بدانند یک رایانه زمانی که با یک چالش تشخیص چهره روبرو می شود چگونه به اجرای مختلف صورت توجه می کند. در این کار، ما این پرسش را بررسی میکنیم که ایده تشخیص چهره با استفاده از اطلاعات جزئی صورت را در بر می گیرد. ما این مسئله را با استفاده از آزمایش های جدید برای تست عملکرد یادگیری ماشین با استفاده از تصاویر جزئی چهره و دستکاری های دیگر در تصاویر چهره مانند چرخش و زوم، که به عنوان سرنخهای آموزش و تشخیص استفاده شده است، مورد بررسی قرار دادیم. به طور ویژه، ما میزان تشخیص را با توجه به قسمت های مختلف صورت مانند چشم ها، دهان، بینی و گونه مطالعه می کنیم. ما همچنین به بررسی تشخیص چهره با چرخش صورت و بزرگنمایی تصویر صورت پرداختیم. آزمایشات ما بر اساس استفاده از معماری مبتنی بر شبکه عصبی پیچشی پیشرفته با مدل VGG-Face آموزش دیده از قبل است که از طریق آن ویژگی ها را برای یادگیری ماشین استخراج می کنیم. سپس از دو طبقه بند، يعني شباهت کوسینوسی و ماشین های بردار برای بررسی نرخهای تشخیص استفاده مي شود. ما آزمایش های ما را روی دو مجموعه داده عمومی که شامل FEI کنترل شده برزیل و مجموعه داده کنترل نشده LFW هستند انجام دادیم. نتایج ما نشان می دهد که بخش های منحصر به فرد چهره مانند چشم ها، بینی ها و گونه ها دارای نرخ تشخیص کم هستند، اما زمانی که بخش های فردی صورت ترکیب شده به عنوان شاخص معرفی می شوند، میزان تشخیص به سرعت در حال افزایش است.
کلمات کلیدی: تشخیص چهره | شبکه های عصبی کانولوشنال | یادگیری عمیق | شباهت کسینوسی |
مقاله ترجمه شده |
5 |
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 |
6 |
روش مدلسازی پس زمینه براساس درخت تجزیه چهارگانه و اندازه گیری شدت روشنایی
سال انتشار: 2019 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 14 تشخیص حرکت یک کار پیچیده است که بر طیف وسیعی از اجزای اساسی ایجاد می شود. به منظور اطمینان از تشخیص دقیق جسم، لازم است که این اجزاء به دقت ، به ویژه در حضور اجسام پیچیده در صحنه اجرا شود. این مقاله ، روش مدل سازی Background مبتنی بر بلوک در صحنه های پویا را با استفاده از تجزیه درخت چهارگانه و سنجش تباین ارائه می دهد. نتایج تجربی نشان داد که رویکرد ما میتواند بک گراندی موثر حتی تحت شرایط چالش برانگیز ایجاد کند.
کليدواژه: نظارت تصویری | مدل سازی پس زمینه | روش مبتنی بر ناحیه | تجزیه چهارگانه؛ |
مقاله ترجمه شده |
7 |
فشرده سازی سریع و کارآمد تصویر لنزی
سال انتشار: 2019 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 29 تصویربرداری میدانی نوری با به دست دادن اطلاعاتی درباره میزان درخشندگی، رنگ و جهت اشعه های روشن در یک صحنه شناخته می شود. این امر منجر به این می شود که تصویر با مقدار بسیار زیادی داده نمایش داده شود که نیازمند روشهای کارآمد برای کدگذاری هستند. در این مقاله، تصاویر لنزی به صورت تصاویر دارای زیر- روزنه ای ارائه می شوند. این تصاویر به صورت یک داده ورودی دارای ترتیب کاذب برای رمزگشای ویدیوی HEVC سازماندهی می شود. برای بهره برداری بهتر از حشوها و افزونگی های موجود بین تصاویر زیر- روزنه ای همسایه و درپیامد آن، کاهش فواصل بین یک تصویر زیرروزنه ای و مراجع استفاده شده برای پیش بینی آن، تصاویر زیرروزنه ای به چهار گروه کوچکتر تقسیم می شوند که در یک ترتیب مارپیچی بررسی می شوند. از اصلی ترین و مرکزی ترین تصویر زیرروزنه ای که بالاترین شباهت را با همه تصاویر دیگر دارد، به عنوان تصویر مرجع اولیه برای هریک از چهار منطقه استفاده می شود. به علاوه، یک ساختاری تعریف می شود که تصاویر زیرروزنه ای که ازنظر فضایی باهم مجاور هستند را به عنوان مراجع پیش بینی با بالاترین شباهت به تصویر فعلی انتخاب می کند. در این روش، کارآمدی کدگذاری افزایش می یابد و بنابراین منجر به ایجاد شباهت بالاتری دربین سه واحد کدگذاری هم¬¬- مکان (CTU) می شود. از شباهت های بین سی تی یوهای هم- مکان برای پیش بینی عمق واحد استفاده می شود. به علاوه، کدگذاری مستقل هر زیرگروه، پردازش موازی را امکانپذیر می کند که درکنار پیش بینی عمق واحد کدگذاری پیشنهاد شده، زمان اجرای کدگذاری را به صورت میانگین تقریبا" تا 80 درصد کاهش می دهد. نتایج شبیه سازی نشان می دهد که عملکرد نرخ انحراف روش پیشنهادی درمقایسه با سایر جدیترین روشهای فشرده سازی لنزی، بهره فشرده سازی بالاتر و پیچیدگی محاسباتی پایین تری دارد.
عبارات شاخص – میدان نور | لنزی | فشرده سازی | ترتیب اسکن | ساختار GOP | پردازش موازی | درخت واحد کدگذاری |
مقاله ترجمه شده |
8 |
چارچوب بازیابی کیفیت تصویر برای افزایش کنتراست تصاویر ماهواره ای سنجش از دور
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 21 - تعداد صفحات فایل doc فارسی: 39 پژوهش ها در حوزه ی تصاویر ماهواره ای سنجش از دور عمدتاً بر افزایش کنتراست و حذف نویز از تمرکز دارند، این بر قابلیت درک داده ها و وضوح آنها تأثیر می گذارد. در نتیجه، همیشه با چالشی در پردازش تصاویر ماهواره ای سنجش از دور به منظور دستیابی به تصاویری با کیفیت بالاتر و افزایش قابلیت دیداری و تصاویری با کمترین میزان آرتیفکت برای ارتقای ارزش کاربردی آنها مواجهیم. در این مقاله، یک چارچوب مؤثر بهبود کیفیت پیشنهاد می شود، که عمدتاً بر افزایش کنتراست تصاویر ماهواره ای سنجش از دور تمرکز دارد. چندین تصویر ماهواره ای سنجش از دور در تأیید اثربخشی روش پیشنهادی در مقایسه با دیگر روش های موجود ارتقای سنجش از دور ارزیابی شدند، و نتایج کمّی آنها با NIQMC (معیار کیفیت تصویر بدون مرجع برای انحراف کنتراست)، BIQME (معیار کور کیفیت تصویر برای تصاویر بهبودیافته)، MICHELSON (کنتراست مایکلسون)، DE انتروپی گسسته)، EME (معیار بهبود) و PIXDIST (فاصله ی پیکسل) و همراه با مقایسه ی نتایج کیفی تأیید شد. نتایج نشان می دهد که بهبود بصری به دست آمده با استفاده از روش پیشنهادی بر سایر روش های بهبود بصری برتری دارد. نهایتاً نتایج شبیه سازی مشخص نمود که روش پیشنهادی برای تصاویر ماهواره ای سنجش از دور، مؤثر و کارامد است.
کلیدواژه: سنجش از دور | کنتراست | بازیابی | کیفیت |
مقاله ترجمه شده |
9 |
سازگاری یا مناسب بودن شتاب دهندههای سختافزاری اخیر (DSP ها، FPGA ها و GPU ها) برای بینایی ماشین و الگوریتم های پردازش تصویر
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 19 - تعداد صفحات فایل doc فارسی: 73 الگوریتم های بینایی کامپیوتری و پردازش تصویر، اجزای ضروری بسیاری از کاربردهای صنعتی، پزشکی، تجاری و تحقیقاتی را تشکیل میدهند. سیستمهای تصویربرداری مدرن تصاویر با وضوح بالا را در نرخهای فریم بالا فراهم میکنند و اغلب برای انجام محاسبات پیچیده برای پردازش دادههای تصویر مورد نیاز هستند. با این حال، در بسیاری از کاربردها پردازش سریع مورد نیاز است، یا به حداقل رساندن تاخیر برای نتایج تجزیه و تحلیل امری حائز اهمیت است. در این کاربردها، واحدهای پردازش مرکزی (CPU ها) ناکافی هستند، زیرا نمیتوانند محاسبات را با سرعت کافی انجام دهند. برای کاهش زمان محاسبه، الگوریتمها میتوانند در شتابدهندههای سختافزاری مانند پردازشگرهای سیگنال دیجیتال (DSPs)، آرایه های دریچهای برنامهپذیر میدانی (FPGA) و واحدهای پردازش گرافیکی (GPU ها) پیادهسازی شوند. با این حال، انتخاب یک شتابدهنده سختافزاری مناسب برای یک کاربرد خاص همواره چالش برانگیز بوده است. خانوادهها یا دسته های متعددی از DSP ها، FPGA ها و GPU ها در دسترس هستند و تفاوتهای فنی بین شتابدهندههای سختافزاری مختلف مقایسه را دشوار میسازد. همچنین مهم است که بدانیم چه سرعتی را می توان با استفاده از یک شتاب دهنده سختافزاری خاص برای یک الگوریتم خاص به دست آورد، زیرا انتخاب شتاب دهنده سختافزاری ممکن است هم به الگوریتم و هم به برنامه بستگی داشته باشد. جزییات فنی شتابدهندههای سختافزاری و عملکرد آنها در نشریات قبلی مورد بحث قرار گرفته است. با این حال، در بسیاری از این ارائهها محدودیتهایی وجود دارد، که، جزئیات فنی ناکافی برای فعال کردن انتخاب یک شتاب دهنده سختافزاری مناسب؛ مقایسه شتاب دهندههای سختافزاری در دو سطح فنآوری مختلف؛ و بحث در مورد تکنولوژیهای قدیمی از جمله این موارد هستند.
برای پرداختن به این مسائل، ما ملاحظات مهم را در زمان انتخاب شتاب دهندههای سختافزاری مناسب برای بینایی کامپیوتر و وظایف پردازش تصویر معرفی و بحث میکنیم و یک بررسی جامع از شتاب دهندههای سختافزاری ارائه میدهیم. ما در مورد جزئیات عملی ساختارهای تراشه، ابزارها و امکانات موجود، زمان توسعه و مزایا و معایب استفاده از DSPs، FPGA ها و GPU ها بحث خواهیم کرد. ما اطلاعات عملی در مورد جدیدترین DSP ها، FPGA ها و GPU ها و همچنین مثالهایی از مقالات ارائه میدهیم. هدف ما این است که توسعه دهندگان را قادر سازیم تا مقایسهای جامع بین شتاب دهندههای سختافزاری مختلف انجام دهند و یک شتاب دهندههای سختافزاری را انتخاب کنند که برای کاربرد خاص آنها بسیار مناسب باشد. کلمات کلیدی: مرور یا بازنگری | بینایی ماشین | پردازش تصویر | پردازشگر سیگنال دیجیتال (DSP) | آرایه دریچه ای برنامه پذیر میدانی (FPGA) | واحد پردازش گرافیکی (GPU) |
مقاله ترجمه شده |
10 |
تشخیص چهره با استفاده از یادگیری فهرست معانیK‑SVD مبتنی بریک مجموعه تصویر
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 14 - تعداد صفحات فایل doc فارسی: 35 با توسعه سریع فناوری های ارتباطات وتصویربرداری دیجیتال ، تشخیص چهره مبتنی بر مجموعه تصویر (ISFR)به طور فزاینده ای مورد توجه و محبوبیت قرار می گیرد. از سویی ، ضبط آسان تعداد زیادی از نمونه ها برای هر موضوع در آموزش و تست باعث می شود که اطلاعات بیشتری برای استفاده احتمالی داشته باشیم. از طرف دیگر ، این اندازه بزرگ از داده ها در نهایت باعث افزایش زمان آموزش و طبقه بندی می شود و در صورت عدم استفاده مناسب ، احتمال شناسایی را کاهش می دهد. در این مقاله ، رویکرد جدید تشخیص چهره بر اساس یادگیری فهرست معانی K-SVD برای حل مشکل نمونه بزرگ با استفاده از نمایش پراکنده مشترک ارائه شده است. ایده اصلی این روش پیشنهادی ، یادگیری فهرست معانی مربوط به تغییرات از گالری و تصاویر کاوش چهره به صورت جداگانه است ، و سپس ما یک نمایش پراکنده مشترک را پیشنهاد می کنیم ، که از اطلاعات آموخته شده از هر دو گالری و کاوشگر به طور مؤثر استفاده می کند. سرانجام ، روش پیشنهادی با چند روش مرتبط در چندین پایگاه داده محبوب چهره ، از جمله بانکهای اطلاعاتی YaleB ، AR ، CMU-PIE ، Georgia و LFW مقایسه می شود. نتایج تجربی نشان می دهد که روش پیشنهادی از بسیاری از روشهای تشخیص چهره مرتبط بهتر است.
کلمات کلیدی: مجموعه تصویر | تشخیص چهره | یادگیری فهرست معانیK‑SVD | نمایش پراکنده مشترک بهبود یافته. |
مقاله ترجمه شده |