دانلود ترجمه مقاله تشخیص چهره هوشمند مبتنی بر یادگیری عمیق (ساینس دایرکت – الزویر ۲۰۲۰) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

elsevier

 

 

این مقاله انگلیسی ISI در نشریه الزویر در ۸ صفحه در سال ۲۰۲۰ منتشر شده و ترجمه آن ۲۰ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

تشخیص چهره هوشمند مبتنی بر یادگیری عمیق در محیط ابری-اینترنت اشیا

عنوان انگلیسی مقاله:

Deep learning-based intelligent face recognition in IoT-cloud environment

 

 

مشخصات مقاله انگلیسی 
فرمت مقاله انگلیسی pdf و ورد تایپ شده با قابلیت ویرایش
سال انتشار ۲۰۲۰
تعداد صفحات مقاله انگلیسی ۸ صفحه با فرمت pdf
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article)
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی کامپیوتر ، فناوری اطلاعات
گرایش های مرتبط با این مقاله هوش مصنوعی ، مهندسی الگوریتم ها و محاسبات ، رایانش ابری ، اینترنت و شبکه های گسترده
چاپ شده در مجله (ژورنال) ارتباطات رایانه ای – Computer Communications
کلمات کلیدی شبکه عصبی عمیق (DNN)، تشخیص چهره هوشمند، بهداشت و درمان- اینترنت اشیا، محیط ابری
کلمات کلیدی انگلیسی Deep neural network – Intelligent face recognition – Healthcare-IoT – Cloud environment
ارائه شده از دانشگاه گروه مهندسی کامپیوتر، کالج علوم کامپیوتر و اطلاعات، دانشگاه کینگ سعود، عربستان سعودی
نمایه (index) scopus – master journals – JCR
نویسندگان Mehedi Masud – Ghulam Muhammad – Hesham Alhumyani
شناسه شاپا یا ISSN ۰۱۴۰-۳۶۶۴
شناسه دیجیتال – doi https://doi.org/10.1016/j.comcom.2020.01.050
ایمپکت فاکتور(IF) مجله ۳٫۸۸۶ در سال ۲۰۱۹
شاخص H_index مجله ۹۸ در سال ۲۰۲۰
شاخص SJR مجله ۰٫۶۸۷ در سال ۲۰۱۹
شاخص Q یا Quartile (چارک) Q1 در سال ۲۰۱۹
بیس نیست 
مدل مفهومی ندارد 
پرسشنامه ندارد 
متغیر ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۱۳۴۱
لینک مقاله در سایت مرجع لینک این مقاله در سایت Elsevier
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۲۰ (۱ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه شده است 
ترجمه متون داخل جداول ترجمه شده است 
ترجمه ضمیمه ندارد 
ترجمه پاورقی ندارد 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است
منابع داخل متن به صورت عدد درج شده است 
منابع انتهای متن به صورت انگلیسی درج شده است

 

فهرست مطالب

چکیده

۱٫ مقدمه

۲٫ مطالعات مرتبط

۳٫ نیازمندی ها و روش ها

۳-۱ چارچوب شهر هوشمند

۳-۲ شبکه عمیق مبتنی بر درخت

۳-۳ پایگاه داده

۴٫ نتایج تجربی و بحث

۵٫ نتیجه گیری

 

بخشی از ترجمه

چکیده

در سال های اخیر فناوری اینترنت اشیا  (IoT) در حوزه های عملیاتی بسیاری همانند مراقبت از سلامت، نظارت ویدیویی، حمل و نقل و غیره به کار گرفته شده است. پذیرش و رشد عظیم اینترنت اشیا در این حوزه ها در حال تولید میزان بزرگی از داده ها است. به عنوان مثال، تجهیزات اینترنت اشیا همانند دوربین ها مقادیر عظیمی از تصاویر را در حین استفاده در سناریوهای نظارت بیمارستانی تولید می کنند. در اینجا تشخیص چهره عنصر مهمی است که برای امن کردن تجهیزات بیمارستانی، تشخیص عواطف و تحلیل احساسات بیماران، تشخیص تقلب بیمار و تحلیل الگوی ترافیک بیمارستان قابل استفاده هستند. سیستم های خودکار و هوشمند تشخیص چهره دارای دقت زیادی در یک محیط کنترل شده هستند؛ با این حال، آن ها دقت کمی در محیطی بدون کنترل دارند. همچنین این سیستم ها می بایست به صورت لحظه ای در کاربردهای بسیاری همانند بهداشت و درمان هوشمند کار کنند. این مقاله یک مدل عمیق مبتنی بر درخت را برای تشخیص چهره خودکار در یک محیط ابری پیشنهاد می کند. این مدل عمیق پیشنهادی دارای بار محاسباتی کمتری است و دقت را از بین نمی برد. در این مدل یک حجم ورودی به چندین حجم تقسیم می شود به طوری که درختی برای هر حجم ساخته می شود. یک درخت توسط ضریب شاخه سازی و ارتفاعش تعریف می شود. هر شاخه توسط یک تابع باقیمانده  نمایش داده می شود که شامل یک لایه کانولوشنی، نرمالیزه سازی دسته ای و یک تابع غیرخطی است. این مدل پیشنهادی در پایگاه داده های عمومی مختلفی ارزیابی می شود. مقایسه ای از عملکرد توسط بهترین مدل های عمیق برای تشخیص چهره انجام می شود. نتایج حاصل از این آزمایش ها نشان می دهد که مدل پیشنهادی به دقت های ۹۸٫۶۵، ۹۹٫۱۹ و ۹۵٫۸۴ درصد به ترتیب در پایگاه داده های FEI، ORL و LFW دست یافته است.

 

۵٫ نتیجه گیری

مدل های عمیق مبتنی بر درخت برای تشخیص چهره در این مقاله پیشنهاد شده است. دو نسخه مدل پیشنهادی وجود دارد: درخت تک و درخت های موازی. در مدل درخت های موازی، چندین درخت تک به صورت موازی ترتیب داده شده است. تابع باقی مانده به عنوان بلوک سازنده کل معماری مورد استفاده قرار گرفته است. آزمایش ها با استفاده از سه پایگاه داده چهره عمومی انجام شده است که به صورت عمومی در دسترس قرار دارند. مدل های پیشنهادی به دقت ۹۹ درصد توسط این پایگاه داده ها دست یافته اند. چگالی اطلاعات مربوط به مدل پیشنهادی مبتنی بر درخت تک حدود ۰٫۶ بوده است که برای یک مدل عمیق عالی است. در مقایسه با مدل های عمیق موجود، مدل های پیشنهادی دارای دقت قابل توجهی با تعداد کمتر پارامترها بوده اند. این یافته ها ثابت می کنند که مدل های پیشنهادی می توانند به طور کارآمد به عنوان یک سیستم تشخیص چهره در کاربردهای امنیتی مورد استفاده قرار گیرند. جهت گیری های آتی کار پیشنهادی می تواند به این صورت باشد. اول، مدل های پیشنهادی می توانند توسعه داده شوند تا مولفه های بیشتری همانند توصیف کننده های تجمیع محلی [۴۶] را در عوض پیوستگی مورد استفاده در این مدل ها در بر بگیرند. دوم، پایگاه داده بیشتری در این آزمایش ها در نظر گرفته می شود. سوم، مدل های پیشنهادی در کاربردهای دیگری همانند تشخیص جنسیت و تشخیص احساسات چهره قابل استفاده هستند.

 

بخشی از مقاله انگلیسی

Abstract

In recent years, the Internet-of-Things (IoT) technology is being used in many application areas such as healthcare, video surveillance, transportation etc. The massive adoption and growth of IoT in these areas are generating a massive amount of data. For example, IoT devices such as cameras are generating a huge amount of images when used in hospital surveillance scenarios. Here, face recognition is an important element that can be used for securing hospital facilities, emotion detection and sentiment analysis of patients, detecting patient fraud, and hospital traffic pattern analysis. Automatic and intelligent face recognition systems have high accuracy in a controlled environment; however, they have low accuracy in an uncontrolled environment. Also, the systems need to operate in real-time in many applications such as smart healthcare. This paper suggests a tree-based deep model for automatic face recognition in a cloud environment. The proposed deep model is computationally less expensive without compromising the accuracy. In the model, an input volume is split into several volumes, where a tree is constructed for each volume. A tree is defined by its branching factor and height. Each branch is represented by a residual function, which is constituted by a convolutional layer, a batch normalization, and a non-linear function. The proposed model is evaluated in various publicly available databases. A comparison of performance is also done with state-of-the-art deep models for face recognition. The results of the experiments demonstrate that the proposed model achieved accuracies of 98.65%, 99.19%, 95.84% on FEI, ORL, and LFW databases, respectively.

 

۵٫ Conclusion

The tree-based deep models for face recognition were proposed in this paper. There were two versions of the proposed model: single tree and parallel trees. In the parallel trees model, several single trees were arranged in parallel. The residual function was used as the building block of the whole architecture. Experiments were performed using three publicly available face databases. The proposed models achieved around 99% accuracy using these databases. The information density of the proposed single tree-based model was near 0.6, which is considered excellent for a deep model. Compared to the existing deep models, the proposed models had comparable accuracies with a lesser number of parameters. These findings prove that the proposed models can be efficiently used as a face recognition system in real-time for security purposes. The future directions of the proposed work can be as follows. First, the proposed models can be extended to include more components such as the locally aggregated descriptors [46] instead of the concatenation used in the models. Second, more databases can be included in the experiments. Third, the proposed models can be used in other applications such as gender recognition and facial emotion recognition.

 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

تشخیص چهره هوشمند مبتنی بر یادگیری عمیق در محیط ابری-اینترنت اشیا

عنوان انگلیسی مقاله:

Deep learning-based intelligent face recognition in IoT-cloud environment

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.