دانلود مقاله ترجمه شده روش نمایش تنک بهبود یافته برای طبقه بندی عکس (IEEE 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

روش نمایش تنک بهبود یافته برای طبقه بندی عکس

Improved sparse representation method for image classification

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

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.

5- نتیجه گیری

در این مقاله، یک چهارچوب نوین را برای روش نمایش تنک ارائه کردیم. روش ارائه شده نه تنها نمونه های آموزشی اصلی را برای انجام نمایش تنک بکار میگیرد، بلکه از نمونه های آموزشی مجازی برای انجام طبقه بندی استفاده میکند. افزون بر آن، طبق تابع هدف، میدانیم نمونه آزمایش در ایجاد نمونه های آموزش مجازی نقش دارد. یعنی، نمونه های مجازی ممکن است با نمونه آزمایش سازگارتر باشد. برای روش نمایش، نشان دادن و شناسایی بهتر نمونه آزمایشی، کمک کننده است. به علاوه، یک تابع هدف کارآمد و قابل را برای ارتقاء تمایز بین طبقات مختلف ارائه دادیم، یعنی، روش ارائه شده میتواند همبستگی نمونه آزمایشی ارائه شده از طبقات مختلف را کاهش دهد. روش ارائه شده هم چنین میتواند نیرومندی روش نمایش تنک را بهبود بخشد. به علاوه،از مزایای همجوشی سطح نمره بهره میبریم که به صورت بسیار شایسته اثبات شده است و معمولا از سطح تصمیم و همجوشی سطح ویژگی بهتر است. اثر بخشی روش ارائه شده با آزمایشات طبقه بندی عکس وسیع نشان داده شده است من جمله آزمایشات شناسایی عکس.

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.

5- Conclusion

In this paper, we proposed a novel framework of sparse representation method. The proposed method not only exploits original training samples to perform sparse representation, but also uses virtual training samples to perform classification. Moreover, according to the objective function, we know that the test sample is involved in the generation of virtual training samples. That is, virtual samples may be more consistent with the test sample. It is helpful for the representation method to better represent and recognise the test sample. In addition, we proposed an efficient and competent objective function to enhance the distinctiveness between different classes, that is, the proposed method can reduce the correlation of the representations of the test sample generated from different classes. The proposed method can also improve the robustness of the sparse representation method. Moreover, we take advantages of the score level fusion, which has proven to be very competent and is usually better than the decision level and feature level fusion. The effectiveness of the proposed method has been demonstrated by extensive image classification experiments including face recognition experiments.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

روش نمایش تنک بهبود یافته برای طبقه بندی عکس

Improved sparse representation method for image classification