استفاده از ایده ی نمایش پراکنده برای شناسایی چهره به روش درشت به ریز یا CFFR

عنوان فارسی مقاله:
 
 
 
 

استفاده از ایده ی نمایش پراکنده برای شناسایی چهره به روش درشت به ریز یا CFFR

 

 

کد مقاله:
 
msd170
 
سال انتشار:
 
2013
 
تعداد صفحات انگلیسی:
 
11

تعداد صفحات فارسی:
 
27

قیمت:
 
22  هزار تومان
 
نوع فایلها:
 
pdf & word
 
 
جهت دریافت مقاله از طریق لینک زیر کد مقاله را در قسمت توضیحات قرار داده و مبلغ را پرداخت نمایید.
پس از پرداخت، مقاله از طریق ایمیل برای شما ارسال میگردد.
مقاله انگلیسی رایگان به همراه ترجمه ارسال خواهد شد.
 
 
عنوان انگلیسی:
 
 
 
Using the idea of the sparse representation to perform coarse- 4 to-fine face recognition
 
 
 
ژورنال:
 
 
 
 
journal homepage: www.elsevier.com/locate/ins
 
 
 

ترجمه چکیده:
 
 
 

در این مقاله یک روش شناسایی چهره ی درشت به ریز یا CFFR پیشنهاد می کنیم. این روش از دو مرحله تشکیل شده است و مشابه روش شناخته شده ی نمایش پراکنده یا SRM کار می کند. مرحله ی اول یک ترکیب خطی از تمام نمونه های آموزش تعیین می کند که این ترکیب خطی تقریبا برابر با نمونه ی تست است. این مرحله ترکیب خطی تعیین شده را برای تعیین درشت به ریز لیبل های کلاس مورد نظر نمونه ی تست به کار میگیرد. مرجله ی دوم مجددا جمع وزن داری از تمامی نمونه های آموزش از کلاس های مورد نظر تعیین می کند که این جمع وزن دار به طور تقریبی برابر با نمونه ی تست است و از آن برای انجام طبقه بندی استفاده میکند. اساس روش پیشنهادی بدین صورت است: مرجله ی اول کلاسهایی را که از نمونه ی تست دور هستند شناسایی میکند و آنها را از مجموعه ی نمونه های آموزش جدا می کند. سپس نمونه ی تست را به یکی از کلاس های باقی مانده اختصاص می دهد و با کمتر شدن کلاس های طبقه بندی، مساله ی طبقه بندی ساده تر میشود . این روش پیشنهادی نه تنها دقت بالایی دارد بلکه به طور آشکار قابل تفسیر است.


 

 
 چکیده انگلیسی:
 
 
 
 
In this paper, we propose a coarse-to-fine face recognition method. This method consists of 28 two stages and works in a similar way as the well-known sparse representation method. 29 The first stage determines a linear combination of all the training samples that is approx- 30 imately equal to the test sample. This stage exploits the determined linear combination to 31 coarsely determine candidate class labels of the test sample. The second stage again deter- 32 mines a weighted sumof all the training samples from the candidate classes that is approx- 33 imately equal to the test sample and uses the weighted sum to perform classification. The 34 rationale of the proposed method is as follows: the first stage identifies the classes that are 35 ‘‘far’’ from the test sample and removes them from the set of the training samples. Then the 36 method will assign the test sample into one of the remaining classes and the classification 37 problem becomes a simpler one with fewer classes. The proposed method not only has a 38 high accuracy but also can be clearly interpreted.
 

دیدگاه خود را بنویسید

دیدگاه پس از تائید مدیریت منتشر می شود.