تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله روش نمایش تنک بهبود یافته برای طبقه بندی عکس – نشریه IEEE

عنوان فارسی: روش نمایش تنک بهبود یافته برای طبقه بندی عکس
عنوان انگلیسی: Improved sparse representation method for image classification
تعداد صفحات مقاله انگلیسی : 12 تعداد صفحات ترجمه فارسی : 25 (1 صفحه رفرنس انگلیسی)
سال انتشار : 2017 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : pdf فرمت ترجمه مقاله : pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله : بی نازنین سایز ترجمه مقاله : 14
نوع مقاله : ISI پایگاه : اسکوپوس
نوع ارائه مقاله : ژورنال ایمپکت فاکتور(IF) مجله : 2.355 در سال 2019
شاخص H_index مجله : 29 در سال 2020 شاخص SJR مجله : 0.336 در سال 2019
شناسه ISSN مجله : 1751-9632 شاخص Q یا Quartile (چارک) : Q2 در سال 2019
کد محصول : 10313 وضعیت ترجمه : انجام شده و آماده دانلود در فایل ورد و pdf
محتوای فایل : zip حجم فایل : 6.50Mb
رشته و گرایش های مرتبط با این مقاله: مهندسی کامپیوتر، مهندسی نرم افزار
مجله: موسسه مهندسی و فناوری - Institution of Engineering and Technology
دانشگاه: دانشکده علوم کامپیوتر، دانشگاه عادی شانشی، چین
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است ☓
وضعیت ترجمه منابع داخل متن: درج نشده است ☓
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ضمیمه: ندارد
بیس: نیست ☓
مدل مفهومی: ندارد ☓
پرسشنامه: ندارد ☓
متغیر: ندارد ☓
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در انتهای مقاله درج شده است
doi یا شناسه دیجیتال: https://doi.org/10.1049/iet-cvi.2016.0186
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
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

نمونه متن انگلیسی

Abstract

Among all image representation and classification methods, sparse representation has proven to be an extremely powerful tool. However, a limited number of training samples are an unavoidable problem for sparse representation methods. Many efforts have been devoted to improve the performance of sparse representation methods. In this study, the authors proposed a novel framework to improve the classification accuracy of sparse representation methods. They first introduced the concept of the approximations of all training samples (i.e., virtual training samples). The advantage of this is that the application of virtual training samples can allow noise in original training samples to be partially reduced. Then they proposed an efficient and competent objective function to disclose more discriminant information between different classes, which is very significant for obtaining a better classification result. The devised sparse representation method employs both the original and virtual training samples to improve the classification accuracy since the two kinds of training samples makes sample information to be fully exploited in a good way, also satisfactory robustness to be obtained. The experimental results on the JAFFE, ORL, Columbia Object Image Library (COIL-100) AR and CMU PIE databases show that the proposed method outperforms the state-of-art image classification methods.

نمونه متن ترجمه

چکیده

بین کل روشهای نمایش و طبقه بندی عکس، نمایش تنک، به عنوان یک ابزار بسیار قوی اثبات شده است. در عین حال، شمار محدودی از نمونه های آموزشی، یک مساله اجتناب ناپذیر برای روشهای نمایش تنک محسوب میشوند. تلاشهای بسیاری به بهبود کارایی روشهای نمایش تنک اختصاص یافته است. در این مطالعه، مولفین، چارچوب نوینی برای بهبود دقت طبقه بندی روشهای نمایش تنک ارائه نموده اند. اولا مفهوم تقریبهای کل نمونه های آموزشی را معرفی نمودند (یعنی نمونه های آموزشی مجازی). مزیت این کار این است که به کارگیری نمونه های آموزش مجازی، میتواند سبب شود نویز در نمونه های آموزشی اصلی، اندکی کاهش یابد. به این ترتیب آنها یک تابع هدف کارامد و قابل برای افشای اطلاعات تفکیک کننده تر بین طبقات مختلف را ارائه نمودند، که برای کسب یک نتیجه طبقه بندی بهتر، بسیار معتبر است. روش نمایش تنک ابداع شده، هم نمونه های آموزشی اصلی و هم مجازی را برای بهبود دقت طبقه بندی بکار میگیرد زیرا دو نوع نمونه آموزشی، سبب میشود اطلاعات نمونه کاملا به روش مناسبی بکار روند، از این گذشته نیرومندی رضایت بخشی بدست می آید. نتایج آزمایشی در مورد کتابخانه عکس شی کلمبیا ORL، JAFFE (COIL-100) AR و پایگاه های داده CMU PIE نشان میدهد روش ارائه شده از روشهای طبقه بندی عکس به روز، بهتر عمل میکند.