ترجمه مقاله تشخیص چهره هوشمند مبتنی بر یادگیری عمیق در محیط ابری – سال 2020
مشخصات مقاله:
عنوان فارسی مقاله:
تشخیص چهره هوشمند مبتنی بر یادگیری عمیق در محیط ابری – اینترنت اشیا
عنوان انگلیسی مقاله:
Deep learning-based intelligent face recognition in IoT-cloud environment
کلمات کلیدی مقاله:
شبکه عصبی عمیق (DNN)، تشخیص چهره هوشمند، بهداشت و درمان- اینترنت اشیا، محیط ابری
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر، فناوری اطلاعات
مناسب برای گرایش های دانشگاهی زیر:
هوش مصنوعی، مهندسی الگوریتم ها و محاسبات، رایانش ابری، اینترنت و شبکه های گسترده
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. مطالعات مرتبط
3. نیازمندی ها و روش ها
3-1 چارچوب شهر هوشمند
3-2 شبکه عمیق مبتنی بر درخت
3-3 پایگاه داده
4. نتایج تجربی و بحث
5. نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
In recent years, the Internet-of-Things (IoT) technology is being used in many application areas such as healthcare, video surveillance, transportation etc. The massive adoption and growth of IoT in these areas are generating a massive amount of data. For example, IoT devices such as cameras are generating a huge amount of images when used in hospital surveillance scenarios. Here, face recognition is an important element that can be used for securing hospital facilities, emotion detection and sentiment analysis of patients, detecting patient fraud, and hospital traffic pattern analysis. Automatic and intelligent face recognition systems have high accuracy in a controlled environment; however, they have low accuracy in an uncontrolled environment. Also, the systems need to operate in real-time in many applications such as smart healthcare. This paper suggests a tree-based deep model for automatic face recognition in a cloud environment. The proposed deep model is computationally less expensive without compromising the accuracy. In the model, an input volume is split into several volumes, where a tree is constructed for each volume. A tree is defined by its branching factor and height. Each branch is represented by a residual function, which is constituted by a convolutional layer, a batch normalization, and a non-linear function. The proposed model is evaluated in various publicly available databases. A comparison of performance is also done with state-of-the-art deep models for face recognition. The results of the experiments demonstrate that the proposed model achieved accuracies of 98.65%, 99.19%, 95.84% on FEI, ORL, and LFW databases, respectively.
چکیده
در سال های اخیر فناوری اینترنت اشیا (IoT) در حوزه های عملیاتی بسیاری همانند مراقبت از سلامت، نظارت ویدیویی، حمل و نقل و غیره به کار گرفته شده است. پذیرش و رشد عظیم اینترنت اشیا در این حوزه ها در حال تولید میزان بزرگی از داده ها است. به عنوان مثال، تجهیزات اینترنت اشیا همانند دوربین ها مقادیر عظیمی از تصاویر را در حین استفاده در سناریوهای نظارت بیمارستانی تولید می کنند. در اینجا تشخیص چهره عنصر مهمی است که برای امن کردن تجهیزات بیمارستانی، تشخیص عواطف و تحلیل احساسات بیماران، تشخیص تقلب بیمار و تحلیل الگوی ترافیک بیمارستان قابل استفاده هستند. سیستم های خودکار و هوشمند تشخیص چهره دارای دقت زیادی در یک محیط کنترل شده هستند؛ با این حال، آن ها دقت کمی در محیطی بدون کنترل دارند. همچنین این سیستم ها می بایست به صورت لحظه ای در کاربردهای بسیاری همانند بهداشت و درمان هوشمند کار کنند. این مقاله یک مدل عمیق مبتنی بر درخت را برای تشخیص چهره خودکار در یک محیط ابری پیشنهاد می کند. این مدل عمیق پیشنهادی دارای بار محاسباتی کمتری است و دقت را از بین نمی برد. در این مدل یک حجم ورودی به چندین حجم تقسیم می شود به طوری که درختی برای هر حجم ساخته می شود. یک درخت توسط ضریب شاخه سازی و ارتفاعش تعریف می شود. هر شاخه توسط یک تابع باقیمانده نمایش داده می شود که شامل یک لایه کانولوشنی، نرمالیزه سازی دسته ای و یک تابع غیرخطی است. این مدل پیشنهادی در پایگاه داده های عمومی مختلفی ارزیابی می شود. مقایسه ای از عملکرد توسط بهترین مدل های عمیق برای تشخیص چهره انجام می شود. نتایج حاصل از این آزمایش ها نشان می دهد که مدل پیشنهادی به دقت های 98.65، 99.19 و 95.84 درصد به ترتیب در پایگاه داده های FEI، ORL و LFW دست یافته است.
