دانلود ترجمه مقاله تشخیص چهره عمیق با داده های ناقص صورت – الزویر ۲۰۱۹

دانلود ترجمه مقاله تشخیص چهره عمیق با داده های ناقص صورت – الزویر ۲۰۱۹

۴۶۵ Visit
عنوان فارسی مقاله:

تشخیص چهره عمیق با داده های ناقص صورت

عنوان انگلیسی مقاله:

Deep face recognition using imperfect facial data

 


download


مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۹
نوع مقاله ISI
تعداد صفحات مقاله انگلیسی ۱۳ صفحه با فرمت pdf
نوع نگارش مقاله پژوهشی (Research Article)
رشته های مرتبط با این مقاله مهندسی کامپیوتر
گرایش های مرتبط با این مقاله هوش مصنوعی، مهندسی الگوریتم ها و محاسبات
نوع ارائه مقاله ژورنال
چاپ شده در مجله (ژورنال) نسل آینده سیستم های کامپیوتری – Future Generation Computer Systems
کلمات کلیدی یادگیری عمیق، تشخیص چهره، شبکه های عصبی پیچشی، شباهت کوسینوسی
کلمات کلیدی انگلیسی Face recognition – Convolutional neural networks – Deep learning – Cosine similarity
نمایه (index) Scopus – Master Journal List – JCR
ارائه شده از دانشگاه دانشکده مهندسی و اطلاعات، دانشگاه برادفورد، انگلستان
نویسندگان Ali Elmahmudi, Hassan Ugail
شناسه شاپا یا ISSN ISSN ۰۱۶۷-۷۳۹X
شناسه دیجیتال – doi https://doi.org/10.1016/j.future.2019.04.025
ایمپکت فاکتور(IF) مجله ۷٫۰۰۷ در سال ۲۰۱۸
شاخص H_index مجله ۹۳ در سال ۲۰۱۹
شاخص SJR مجله ۰٫۸۳۵ در سال ۲۰۱۸
شاخص Q یا Quartile (چارک) Q1 در سال ۲۰۱۸
بیس است 
مدل مفهومی  دارد  
پرسشنامه ندارد 
متغیر ندارد 
رفرنس دارد  
کد محصول ۹۵۶۳
لینک مقاله در سایت مرجع لینک این مقاله در نشریه Elsevier
نشریه الزویر

فهرست مطالب

نکات برجسته

چکیده

۱- معرفی

۲ – کارهای مرتبط

۳- روش پیشنهادی

۳-۱ مدل VGG-Face

۳-۲ استخراج ویژگی با استفاده از مدل VGGF

۳-۳- طبقه بندی ویژگی

۴- آزمایشات و نتایج

۴-۱ مجموعه داده های FEI

۴-۲ آزمایشات بر روی قسمت های صورت با استفاده از مجموعه داده های FEI

۴-۳- آزمایشات روی چهره های چرخیده شده با استفاده از مجموعه داده های FEI

۴-۴ آزمایشات روی چهره های بزرگ شده با استفاده از مجموعه داده های FEI

۴-۵ مجموعه داده LFW

۴-۶ آزمایشات روی قسمت هایی از چهره در مجموعه داده LFW

۴-۷ آزمایش روی چرخش چهره در مجموعه داده LFW

۵- بحث ها

۶- نتیجه گیری

 

بخشی از ترجمه

چکیده

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 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، یعنی شباهت کوسینوسی و ماشین های بردار برای بررسی نرخهای تشخیص استفاده می 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.

 

۶- نتیجه گیری

توانایی الگوریتم های تشخیص چهره مبتنی بر ماشین برای داشتن عملکرد مناسب در حالتهایی که چهره ناقص است – مانند چهره های بسته شده، چهره های چرخانده شده و یا چهره های بزرگ شده – به عنوان سر نخ یک کار چالش برانگیز در زمینه بینایی کامپیوتر و محاسبات بصری است. در این کار، ما نتایج برخی از آزمایش های جدید را که ما برای نشان دادن این مسائل انجام داده ایم و همچنین برخی از راه حل های بالقوه را ارائه داده ایم. برای انجام این کار، از مجموعه داده های چهره ی عمومی کنترل شده و کنترل نشده استفاده می کنیم که نشان می دهد چگونه یادگیری عمیق می تواند برای تشخیص چهره با استفاده از چهره ناقص مورد استفاده قرار گیرد. بنابراین، با توجه به برخی اطلاعات صورت جزئی، ما نشان می دهیم که چگونه می توان استخراج ویژگی ها را با استفاده از CNN های محبوب مانند مدل VGGF انجام داد. نشان می دهیم که چگونه طبقه بندی های مبتنی بر SVM های محبوب و همچنین CS را می توان برای انجام وظایف تشخیص چهره استفاده کرد.


download


No comments have been posted
ارسال نظر آزاد است، اما اگر قبلا در فارسی بلاگ ثبت نام کرده اید می توانید ابتدا وارد شوید.