AIcode مرجع تخصصی هوش مصنوعی

<aicode>

 

 

 

 

 

جهت خصوصی‌سازی و سفارشی‌سازی پروژه‌ها یا دریافت توضیحات و اطلاعات بیشتر از طریق فرم یا شماره تماس در صفحه تماس با ما اقدام کنید.

عنوان مقاله:

A new method to remove random-valued impulse noise in images

این مقاله به روشی جدید برای یافتن و حذف نویز ضربه ای با مقادیر تصادفی (RVIN ) در تصاویر ارائه شده است. روش پیشنهادی بر اساس مقایسه پیکسل با مقادیر روشنایی همسایه و کشف پیکسل های نویزی عمل می‌کند. الگوریتم این مقاله شامل چهار فاز تشخیص و جایگذاری پیکسل‌های نویزی است. پس از کشف پیکسل های نامناسب در هر فاز، فیلتر سازی خطا بر روی این پیکسل ها اجرا می شود. به این ترتیت در پایان هر فاز، پیکسل های نا مناسب به تدریج مغلوب می شوند. عملکرد روش پیشنهادی در تصاویر مختلف ارزیابی شده و با ده فیلتر مختلف، مقایسه شده است. نتیجه شبیه سازی حاکی از آن هستند که روش پیشنهادی، نسبت به فیلترهای مقایسه از اولویت برخوردار است. در این پروژه به پیاده‌سازی این مقاله پرداخته شده است. نویزهای ضربه معمولی با نام نویز فلفل نمک نیز شناخته می‌شوند. تفاوت نویز ضربه تصادفی با نویز فلفل نمک این است که مقدار نویز به صورت تصادفی و با توزیع یکنواخت از بازه 0 تا 255 است، در حالی که در نویز فلفل نمک مقدار نویز فلفل 0 و مقدار نویز نمک 255 است و به عبارتی مقادیری ثابت هستند.

تعداد ارجاع:  citation: 7

 دانلود دانلود فایل مقاله و توضیحات رایگان

 جهت خرید روی آیکون "خرید و دانلود" کلیک کنید.

محتویات فایل قابل خرید: سورس کد پیاده سازی شده مقاله (متلب)، گزارش مختصر سورس کد و نحوه اجرا و انجام تنظیمات، ترجمه مقاله

زبان برنامه نویسی: متلب

پیاده سازی مقاله حذف نویز ضربه با مقادیر تصادفی (نویز فلفل نمک با مقادیر تصادفی) در تصاویر
950,000ریال

عنوان مقاله:

Extended feed forward neural networks with random weights for face recognition

در این مقاله یک مدل شبکه عصبی برای مدل کردن ساختارهای محلی در تصاویر ارایه شده است و به منظور تشخیص چهره مورد آزمایش قرار گرفته است. در مقاله موردنظر دو روش مطرح شده‌اند. روش اول NNRW به معنی شبکه عصبی با وزن‌دهی تصادفی است که به عنوان روش پایه (baseline) مطرح شده است. مدل NNRW یک شبکه عصبی با یک لایه نهان است. هر نرون لایه نهان یک بردار وزن به اندازه ابعاد داده (در اینجا تصویر m*n=d) دارد که همانند نرون های معمول در داده ورودی ضرب شده و خروجی نرون با اعمال تابع فعالیت روی نتیجه حاصل می‌شود. به ازای هر دسته (هر شخص) یک خروجی در لایه خروجی داریم. شمایی از این مدل در شکل زیر مشاهده می‌شود:

شبکه عصبی ELM

در این مقاله از مقداردهی تصادفی برای مقداردهی بردارهای وزن و بایاس هر نرون استفاده شده است که در ادبیات Extreme Learning Machine به عنوان random feature mapping مطرح است. روش کار به این صورت است که پس از مقداردهی تصادفی وزن‌ها مقدار بردارهای ترکیب‌گر خروجی (β) را به گونه‌ای بهینه می‌کنند که خطای خروجی مطلوب حداقل شود.
روش دوم که همان روش پیشنهادی مقاله است به جای اینکه تصویر را که یک ماتریس m*n است را به بردار ستونی تبدیل کند و سپس وزن‌دهی تصادفی انجام دهد دو بردار به اندازه m و n تصادفی تولید می‌کند و به صورت دو طرفه در ماتریس تصویر ضرب می‌کند. این روش منجر به مدل کردن الگوهای محلی در تصاویر شده و دقت تشخیص چهره را بالاتر می‌برذ.

مجموعه داده ORL
مجموعه‌داده ORL شامل تصاویری با سایز 112*92 می‌باشد این مجموعه داده شامل 40 فرد است که از هرکدام 10 تصویر وجود دارد. مطابق با تنظیمات مقاله برای نتایج شکل 1-a از هر فرد 5 تصویر اول را به عنوان داده آموزش و 5 تصویر دیگر را به عنوان داده آزمون در نظر می‌گیریم. بنابراین تعداد داده‌های آموزش یعنی N=200 می‌باشد. هرکدام از تصاویر یک تصویر (تصویر خاکستری) می‌باشد که هر پیکسل عددی بین 0 تا 255 است (uint8). از این داده‌ها ویژگی استخراج نشده است و خود تصویرها در عملیات به کار می‌روند.

نمونه داده ORL

تعداد ارجاع:  citation: 6

مراجع دیگر مورد استفاده در گزارش:

Huang, Guang-Bin, et al. "Extreme learning machine for regression and multiclass classification." Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on 42.2 (2012): 513-529.

 دانلود دانلود فایل مقاله و توضیحات رایگان

 جهت خرید روی آیکون "خرید و دانلود" کلیک کنید.

محتویات فایل قابل خرید: فایل ورد گزارش کامل (15 صفحه)، تحلیل کامل مقاله، سورس کد شبیه سازی مقاله (source code)، مجموعه داده ORL، گزارش کد.

زبان برنامه نویسی: متلب

در صورت تمایل این مطلب را در گوگل محبوب کنید: 

پیاده سازی مقاله تشخیص چهره با استفاده از شبکه عصبی دو بعدی
850,000ریال

عنوان مقاله:

Supervised sparse representation method with a heuristic strategy and face recognition experiments

انتقال سیگنال ها (فضای بردارهای ویژگی) به یک فضای جدید با خواص مطلوب، یک رویکرد رایج برای بهبود کارآیی، در اکثر حوزه ها از قبیل خوشه‌بندی و ارتقا سیگنال می باشد. بردارهای پایه در برخی تبدیل ها مثل تبدیل فوریه، ثابت هستند و به زمینه وابسته نیستند. در مقابل، برخی تبدیل ها مثل PCA و نمایش اسپارس ، بردارهای پایه ی وابسته به زمینه دارند. یعنی بردارهای پایه از نمونه هایی که از دامنه به دست می آیند، استخراج می شوند. عمل استخراج بردارهای پایه در رویکرد نمایش اسپارس، اغلب یادگیری دیکشنری یا یادگیری کلمه کد نامیده می شود. اعمال تنظیم‌گر اسپارس‎ساز، در مساله بهینه‌سازی یادگیری دیکشنری منجر به یادگیری اتم های معنایی سطح بالا در دامنه می گردد. به عنوان مثال در مقوله‌ی تشخیص چهره یک الگوی چشم می تواند یک اتم معنایی در نمایش و ساختن نمونه‌های چهره باشد.
در این پژوهش (مطابق با مقاله پیاده سازی شده) فرض می‌کنیم دیکشنری (مجموعه ای از پایه ها) وجود دارند که همان داده‌های آموزش هستند. هدف تقریب داده های آزمون (تصویر جدید) با استفاده از تعداد کمی (اسپارس) از تصاویر آموزش است.  به عنوان یک روش ابتدایی در تشخیص چهره می‌توان برای هر تصویر آزمون، برچسب (نام شخص) تصویری که در بین داده‌های آموزش به آن شبیه‌تر است را به آن داد. روش مطرح شده در مقاله سعی دارد که این الگوریتم ساده را بهبود دهد و به جای قضاوت فقط با یک داده آموزش سعی می‌کند تصویر جدید را با مجموعه ای از تصاویر آموزش (تعداد کم: اسپارس) به بهترین وجه (حداقل کردن مربعات خطای بازسازی) تقریب بزند و سپس با توجه به سهم هرکدام از افرادی که تصویر آنها در بازسازی تصویر نقش داشته، تشخیص بهتری انجام دهد.

فایل گزارش شامل 7 مرجع معتبر در زمینه یادگیری دیکشنری و نمایش تنک می‌باشد که چکیده‌ای از آنها در متن تشریح شده است و حاوی اطلاعات کاملی در مورد مفهوم پایه‌های دیکشنری در نمایش تنک، رویکردهای یادگیری دیکشنری برای نمایش اسپارس و نحوه استفاده از کتابخانه spams-matlab در این زمینه می‌باشد. از مجموعه داده ORL در زمینه تشخیص چهره برای ارزیابی نتایج استفاده شده است (یکی از مجموعه داده‌های مقاله). علاوه بر روش مقاله که به طور کامل پیاده‌سازی شده است، نتایج متد mexLasso از کتابخانه spams-matlab نیز بر روی این مجموعه داده گزارش شده است. 

تعداد ارجاع:  citation: 54

 دانلود دانلود فایل مقاله و توضیحات رایگان

 جهت خرید روی آیکون "خرید و دانلود" کلیک کنید.

محتویات فایل قابل خرید: فایل ورد گزارش کامل، پیاده سازی یک روش دیگر اسپارس با استفاده از کتابخانه spams-matlab، سورس کد شبیه سازی مقاله (source code) و روش دیگر، فایل ورد نحوه اجرای کد، فایل پاورپوینت ارائه، کتابخانه spams-matlab

زبان برنامه نویسی: متلب

در صورت تمایل این مطلب را در گوگل محبوب کنید: 

پیاده سازی مقاله تشخیص چهره با استفاده از نمایش تنک (اسپارس)
900,000ریال

تبلیغات AIcodeMahak

AIcode مرجع تخصصی آموزش مهندسی کامپیوتر و هوش مصنوعی

تماس با ما

ايميل: info@aicode.ir

عضویت در خبرنامه AIcode