ترجمه مقاله شناخت واحد عملکردی چهره - نشریه IEEE

قیمت خرید این محصول

۳۱,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

شناخت واحد عملکردی چهره: کیفیت سه بعدی در برابر دو بعدی

عنوان انگلیسی

Facial Action Unit Detection: 3D versus 2D Modality

صفحات مقاله فارسی

16

صفحات مقاله انگلیسی

8

سال انتشار

2010

نشریه

آی تریپل ای - IEEE

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده

رفرنس

دارد

کد محصول

7531

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه نشده است

رشته های مرتبط با این مقاله

مهندسی کامپیوتر و مهندسی برق

گرایش های مرتبط با این مقاله

هوش مصنوعی و مهندسی الگوریتم ها و محاسبات

مجله

کنفرانس انجمن کامپیوتر در زمینه کارگاه های رایانه ای و شناخت رایانه

دانشگاه

مهندسی برق و الکترونیک، دانشگاه Bogazici، استانبول، ترکیه

۰.۰ (بدون امتیاز)

امتیاز دهید

فهرست مطالب

چکیده
1 – مقدمه
2 – شناخت واحد عملکرد از تصاویر دو بعدی
3 – از سنجش های سطح سه بعدی تا میدان انحناء دو بعدی
4 – نتایج آزمایشی و بحث ها
4-1 پیش بینی : داده قیافه سه بعدی بهتر از داده دو بعدی می باشد
4-2 عملکرد با واحد های عملکرد شدت کم
4-3 : دو بعدی در برابر سه بعدی تحت دسته کننده های مختلف
4-4 ترکیب کیفیت های دو بعدی و سه بعدی
5- نتیجه گیری

نمونه چکیده متن اصلی انگلیسی

Abstract

In human facial behavioral analysis, Action Unit (AU) coding is a powerful instrument to cope with the diversity of facial expressions. Almost all of the work in the literature for facial action recognition is based on 2D camera images. Given the performance limitations in AU detection with 2D data, 3D facial surface information appears as a viable alternative. 3D systems capture true facial surface data and are less disturbed by illumination and head pose. In this paper we extensively compare the use of 3D modality vis-a-vis 2D imaging modality for AU recognition. Surface ` data is converted into curvature data and mapped into 2D so that both modalities can be compared on a fair ground. Since the approach is totally data-driven, possible bias due to the design is avoided. Our experiments cover 25 AUs and is based on the comparison of Receiver Operating Characteristic (ROC) curves. We demonstrate that in general 3D data performs better, especially for lower face AUs. Furthermore it is more robust in detecting low intensity AUs. Also, we show that generative and discriminative classifiers perform on a par with 3D data. Finally, we evaluate fusion of the two modalities. The highest detection rate was achieved by fusion, which is 97.1 area under the ROC curve. This score was 95.4 for 3D and 93.5 for 2D modality.

نمونه چکیده ترجمه متن فارسی

چکیده

رمزگذاری واحد عملکردی ( AU) در تحلیل رفتاری چهره انسان از ابزار قدرتمند برای غلبه بر تنوع حالت های چهره محسوب می شد . تقریبا کل کار در مطالب برای تشخیص عملکرد چهره مبتنی بر تصاویر دوربین دو بعدی می باشد . اطلاعات سطح سه بعدی چهره با در نظر گرفتن محدودیت های عملکردی در کشف واحد عملکردی با داده دو بعدی به عنوان گزینه موجود به نظر می رسد . داده صحیح سطح چهره با سیستم سه بعدی گرفته می شود و این روش بواسطه نبود درخشندگی و موقعیت قرار گرفتن سر دچار مشکل نمی شود . ما در این مقاله استفاده از کیفیت سه بعدی در برابر کیفیت تصویر برداری دو بعدی برای تشخیص واحد رفتار را به کرات مقایسه می کنیم . داده سطحی به داده انحناء تبدیل می شود و به صورت دو بعدی ترسیم می گردد بنابراین هر دو کیفیت را می توان به صورت عادلانه مقایسه نمود . چون رویکرد در مجموع داده محور می باشد ، از جهت گیری احتمالی به دلیل طراحی اجتناب می گردد . آزمایشات ما تعداد 25 واحد رفتار را پوشش می دهند و مبتنی بر مقایسه منحنی های مشخصه عملیاتی گیرنده ( ROC ) می باشند . ما ثابت می کنیم که معمولا داده سه بعدی بویژه برای واحد های رفتار چهره پایین تر قدرتمند تر می باشد . همچنین ، ما نشان می دهیم که دسته کننده های تولیدی و تبعیضی با داده سه بعدی به طور برابر اجراء می کنند . در نهایت ، ما به ارزیابی ادغام دو کیفیت می پردازیم . بالاترین نرخ تشخیص از طریق ادغام بدست آمده بود که 97.1 مساحت زیر منحنی ORC می باشد . این امیتاز برای کیفیت سه بعدی 95.4 و برای کیفیت دو بعدی 93.5 بود .

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر، دانلود رایگان مقالات انگلیسی مهندسی برق، دانلود رایگان مقالات انگلیسی هوش مصنوعی