ارائه یک بستر یادگیری عمیق نیمه نظارتی برای بازسازی سه بعدی چهره از یک تصویر دوبعدی
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 323
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JICTP-1-2_002
تاریخ نمایه سازی: 15 آذر 1400
Abstract:
در این مقاله یک بستر یادگیری عمیق نیمه نظارتی برای بازسازی سه بعدی از یک تصویر دوبعدی پیشنهاد شده است که در آن به منظور کاهش نیاز به برچسب سه بعدی و دوبعدی از دو بخش بدون نظارت از پیش آموزش داده شده استفاده شده است. بدین ترتیب با بهره گیری از بخش های آموزش دیده، به منظور آموزش کل شبکه، به داده برچسب دار کمتری نیاز است، علاوه بر اینکه با توجه به استفاده از داده به عنوان تنها منبع دانش برای یادگیری، نیازی به استفاده از فرض های مختلف در مورد چگونگی شکل گیری تصویر نخواهد بود. ایده اصلی در بستر پیشنهادی، یافتن نگاشتی بین فضای های بازنمایی با ابعاد پایین تر دوبعدی و سه بعدی می-باشد. بنابراین بستر پیشنهادی در این مقاله شامل بخش های بدون نظارت نگاشت از فضاهای دوبعدی و سه بعدی به بازنمایی های بعد پایین، و بخش نظارتی نگاشت بین بازنمایی های بعدپایین می باشد. نتایج ارزیابی و مقایسه بستر پیشنهادی با چند بستر مشابه موجود روی پایگاه های داده چهره ی انسان، نشان دهنده کارایی مطلوب بستر نیمه نظارتی پیشنهادی در بازسازی سه بعدی از یک تصویر دوبعدی است. این بستر می تواند قدمی مفید در جهت هوشمندسازی فعالیت نیروی انتظامی برای تشخیص چهره باشد.
Keywords:
بازسازی سه بعدی از یک تصویر دوبعدی , نگاشت بازنمایی دو بعدی به سه بعدی , بازسازی سه بعدی نیمه نظارتی هوشمندسازی فعالیت ناجا با بازسازی سه بعدی , یادگیری عمیق در بازسازی سه بعدی
Authors
شیما کامیاب
دانشجوی دکترا کامپیوتر، دانشگاه شیراز
سیده زهره عظیمی فر
دانشیاردانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه شیراز
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :