مشخصات مقاله:
عنوان فارسی مقاله:
روش نمایش تنک بهبود یافته برای طبقه بندی عکس
عنوان انگلیسی مقاله:
Improved sparse representation method for image classification
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی نرم افزار
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 توصیف روش ارائه شده
3 تحلیل روش ارائه شده
3.1 مزایای روش ارائه شده
3.2 منطق های روش ارائه شده
4 نتایج آزمایشی
4.1 آزمایشات پیرامون پایگاه داده JAFFE
4.2 آزمایشات پیرامون پایگاه داده ORL
4.3 آزمایشات پیرامون پایگاه داده کتابخانه عکس اشیا کلمبیا
4.4 آزمایشات روی پایگاه داده AR
4.5 آزمایشات پیرامون پایگاه داده CMU PIE
5 نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
1 Introduction
Image classification [1, 2], as a computer vision technology [3–7], has been developing rapidly. Meanwhile, it has also attracted considerable attention in recent years [8]. Achieving good image classification result is the basis for many socioeconomic and environmental applications. Therefore, researchers and scientists have made great efforts in devising advanced classification methods and technologies to improve classification accuracy [9– 12]. Among all methods of image representation and classification, sparse representation has proven to be an extremely powerful tool [13–15]. The basic model of sparse representation indicates that the test sample can be represented approximately by using a weighted sum of the training samples. It’s pointed out that the weight coefficients are sparse. In other words, the most coefficients are zero or close to zero in the weight coefficients vector. In general, sparse representation relates to an underdetermined system of linear equation y = Dα, where y denotes the test sample, D is a dictionary (or training samples matrix) and α is a coefficient vector. Moreover, many variations and extensions of sparse representation have been proposed in the past few years [16–20]. Wright et al. [21] presented a sparse representation-based classification (SRC) method, which exploits the discriminative nature of sparse representation to perform classification.
1.مقدمه
طبقه بندی عکس، به عنوان یک فناوری عکس مجازی در کامپیوتر، به سرعت در حال توسعه است. در این اثنا، هم چنین توجه بسیار زیادی را در سالهای اخیر به خود جلب نموده است. کسب نتیجه طبقه بندی عکس مناسب، مبنایی برای بسیاری از کاربردهای اجتماعی- اقتصادی است. بنابراین، محققان و دانشمندان، تلاشهای بسیاری برای ابداع روشها و فناوریهای طبقه بندی پیشرفته به منظور بهبود دقت طبقه بندی انجام داده اند.
در بین همه روشهای نمایش و طبقه بندی عکس، نمایش تنک به عنوان یک ابزار به شدت قوی به اثبات رسیده است. مدل پایه نمایش تنک بیانگر این است نمونه آزمایش میتواند تقریبا با استفاده از یک جمع وزنی نمونه های آموزشی نشان داده شود. خاطر نشان میشود، ضرایب وزن، پراکنده هستند. به بیان دیگر، بیشتر ضرایب در بردار ضرایب وزن، صفر هستند یا به صفر نزدیک هستند. به طور کلی، نمایش تنک به یک نظام نامعین معادله خطی y = Dα مربوط است، در این رابطه y بیانگر نمونه آزمایش است، D یک واژنامه است (یا ماتریس نمونه های آموزشی)، α بردار ضریب است. افزون بر آن، تغییرات و گسترشهای زیاد نمایش تنک در چند سال گذشته مطرح شده اند. رایت و دیگران، یک روش طبقه بندی مبتنی بر نمایش تنک (SRC) را مطرح نمودند، که ماهیت تفکیک کننده ی نمایش تنک را برای انجام طبقه بندی بکار میگیرد.