رگرسیون شکل کانولوشن بازگشتی
واتساپ:09141077352 همراه: 09141077352 ثابت: 35250068-041 سفارش سمینار و مقاله سفارش ترجمه تخصصی
 

دانلود فایل با شمار فاکتور

لطفا شماره فاکتور خود را درج نمایید


جدیدترین لغات واژه‌نامه

آمار بازدیدکنندگان

بازدید امروز :72
بازدید روز گذشته :72
بازدید این هفته :422
بازدید این ماه :2182
مجموع آمار بازدید ها :780455

عنوان محصول: رگرسیون شکل کانولوشن بازگشتی

دسته‌بندی: مقالات ترجمه شده رشته کامپیوتر
تاریخ انتشار: دوشنبه 28 اسفند 1398
رگرسیون شکل کانولوشن بازگشتی رگرسیون شکل کانولوشن بازگشتی
توضیحات مختصر: امروزه مسیر اصلی در روند تطبیق چهره تحت تأثیر روش‌های رگرسیون آبشاری است. این روش‌ها با یک شکل اولیه شروع شده و یک مجموعه از نموهای شکل بر مبنای ویژگی‌ها مختلف با در نظر گرفتن شکل تخمین زده شده فعلی، ساخته می‌شود. این نموهای شکل منجر به انتقال شکل اولیه به موقعیت مطلوب می‌شود. با وجود مزیت‌های مختلف...
رگرسیون شکل کانولوشن بازگشتی رگرسیون شکل کانولوشن بازگشتی


قیمت قیمت : 50000 تومان
تخفیف تخفیف: 3000 تومان
تخفیف تخفیف ویژه : 10 درصد
قیمت نهایی قیمت نهایی: 42000 تومان
500 بازدید
کد مقاله: TTC- 3743
نوع فایل : docx
لینک دانلود فایل خریداری شده بلافاصله بعد از خرید موفق فعال خواهد شد.
Journal: IEEE 2018,

Recurrent Convolutional Shape Regression
Abstract
The mainstream direction in face alignment is now dominated by cascaded regression methods. These methods start from an image with an initial shape and build a set of shape increments based on features with respect to the current estimated shape. These shape increments move the initial shape to the desired location. Despite the advantages of the cascaded methods, they all share two major limitations: (i) shape increments are learned independently from each other in a cascaded manner, (ii) the use of standard generic computer vision features such SIFT, HOG, does not allow these methods to learn problem-specific features. In this work, we propose a novel Recurrent Convolutional Shape Regression (RCSR) method that overcomes these limitations. We formulate the standard cascaded alignment problem as a recurrent process and learn all shape increments jointly, by using a recurrent neural network with a gated recurrent unit. Importantly, by combining a convolutional neural network with a recurrent one we avoid handcrafted features, widely adopted in the literature and thus we allow the model to learn task-specific features. Besides, we employ the convolutional gated recurrent unit which takes as input the feature tensors instead of flattened feature vectors. Therefore, the spatial structure of the features can be better preserved in the memory of the recurrent neural network. Moreover, both the convolutional and the recurrent neural networks are learned jointly. Experimental evaluation shows that the proposed method has better performance than the state-of-the-art methods, and further supports the importance of learning a single end-to-end model for face alignment.
Keywords: Recurrent Neural Network, Gated Recurrent Unit, Shape Regression, Facial Landmarks

چکیده
امروزه مسیر اصلی در روند تطبیق چهره تحت تأثیر روش‌های رگرسیون آبشاری است. این روش‌ها با یک شکل اولیه شروع شده و یک مجموعه از نموهای شکل بر مبنای ویژگی‌ها مختلف با در نظر گرفتن شکل تخمین زده شده فعلی، ساخته می‌شود. این نموهای شکل منجر به انتقال شکل اولیه به موقعیت مطلوب می‌شود. با وجود مزیت‌های مختلف روش‌های آبشاری، تمامی این روش‌ها دارای دو محدودیت مهم هستند: (1) نمو اشکال مختلف در حالت آبشاری مستقل از یکدیگر فراگیری می‌شوند (2) این روش‌ها از ویژگی‌های بینایی ماشین جامع و استاندارد از قبیل SIFT, HOG استفاده می‌کنند و در نتیجه به این روش‌ها امکان یاگیری ویژگی‌های مسائل خاص داده نمی‌شود. در این مقاله، ما یک روش رگرسیون شکل کانولوشن بازگشتی (RCSR) را پیشنهاد کرده‌ایم که می‌تواند بر این محدودیت‌ها غلبه نماید. ما مسئله تطبیق آبشاری استاندارد را به‌صورت یک فرآیند بازگشتی فرموله نموده و تمامی نموهای اشکال را به‌صورت پیوسته آموزش داده‌ایم و برای این کار از یک شبکه عصبی با یک واحد بازگشتی ورودی استفاده کردیم. به ویژه، با ترکیب یک شبکه عصبی کانولوشن و یک شبکه بازگشتی، از ویژگی‌های دست‌کاری شده که در مقالات قبلی استفاده شده‌اند، صرف‌نظر کردیم و در نتیجه به مدل پیشنهادی امکان یادگیری ویژگی‌هایی برای وظایف خاص را فراهم کردیم. در کنار این موارد، ما از یک واحد بازگشتی ورودی کانولوشن استفاده نموده‌ایم که در آن از تانسورهای ویژگی‌ها به‌جای بردارهای ویژگی مسطح شده به‌عنوان ورودی استفاده می‌شود. از این رو، ساختار طیفی ویژگی‌ها را می‌توان به‌صورت بهتری در حافظه شبکه‌های عصبی بازگشتی حفظ کرد. علاوه بر این، هر دو شبکه عصبی بازگشتی و کانولوشن به‌صورت پیوشته آموزش داده می‌شوند. ارزیابی‌های تجربی نشان می‌دهند که روش پیشنهادی دارای کارایی بهتری در مقایسه با سایر روش‌ها بوده و علاوه بر این قادر به پشتیبانی از روند یادگیری مدل انتها به انتهای واحد (نقطه‌به‌نقطه) برای تطبیق چهره است.
کلمات کلیدی: شبکه‌های عصبی بازگشتی، واحد بازگشتی ورودی، رگرسیون شکل، نشانه‌های صورت.

تعداد صفحات انگلیسی تعداد صفحات انگلیسی:14 صفحه
تعداد صفحات فارسی تعداد صفحات فـارسـی:38 صفحه

  • آدرس: تبریز، آبرسان، مهرگان چهارم
  • تلفن  تماس: 09016347107
  • تلفن  ثابت : 35250068-041
  •  Mailttcenterاین آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید : آدرس  ایمیل
  • @zoodyab :آدرس تلگرام
مرکز  تخصصی  تلاش ترجمه از  سال  1385 شروع به کار نموده است  و تا کنون بیش از ده هزار ترجمه در رشته ها و زمینه های مختلف توسط متخصصین این مرکز انجام  شده  است.

تمامی ترجمه‌های انجام شده توسط موسسه تخصصی تلاش ترجمه، به صورت دستی (غیرماشینی) بوده و توسط مترجمین با سابقه انجام می‌شوند. ترجمه‌های انجام شده توسط موسسه تلاش ترجمه در قالب فایل Word و به صورت کاملا روان و بازخوانی شده و با ضمانت بازگشت وجه 72 ساعته (در صورت عدم رضایت از ترجمه) خدمت مشتریان محترم ارائه می‌شود.