شناظایی انسان در تصاویر با استفاده از ویژگی های الهام گرفته شده از قسمت بینایی در کورتکس مفز

سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,093

فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ACCSI14_190

تاریخ نمایه سازی: 26 مهر 1387

چکیده مقاله:

در این مقاله شناسایی انسان در تصاویر با روش جدید، که از مدل بینایی کرتکس مغز الهام گرفته شده است ، انجام می شود.این روش از مدل های استاندارد تشخیص شی در کورتکس مفز پیروی می کند. سیستم مورد نظر از یک ساختار سلسله مراتبی بصورت Feedforward تبعیت می کند. دراین روش یک سری ویژگی برای شناسایی قوی اشیا ارائه شده است و هر یک از این ویژگی ها توسط ترکیب آشکار ساز لبه از نوع position-tolerant و scale-tolerant روی موقعیت های همسایه در جهت گیری های چندگانه حاصل می شود. این مقاله نشان می دهد که این روش کارایی بسیار مناسبی را در شناسایی انسان ارائه می دهد . این سیستم قابلیت یادگیری از مثال های کمی را دارد . این مقاله کاری نوین در زمینه تشخیص انسان با روش مذکور است.

کلیدواژه ها:

شناسایی اشیا ، شناسایی انسان ، پردازش تصویر ، مدل سازی بینایی در کورتکس مفز

نویسندگان

علی وشایی

دانشکده مهندسی کامپیوتر

محمود فتحی

دانشکده مهندسی کامپیوتر

رضا برنگی

دانشکده مهندسی کامپیوتر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • Y. Amit and M. Mascaro, ،0 An integrated network for ...
  • S. Belongie, J. Malik, and J. Puzicha. Shape matching and ...
  • L. Fei-Fei, R. Fergus, and P. Perona. ...
  • _ l'Learning generative visual models from few training examples: An ...
  • R. Fergus, P. Perona, and A. Zisserman. 4Object class recognition ...
  • K. Fukushima. Neocognitron, ،A self organizing neural network model for ...
  • T.J. Gawne and J.M. Martin, *Response of primate visual cortical ...
  • B. Heisele, T. Serre, M. Pontil, T. Vetter, and T. ...
  • D. Hubel and T. Wiesel, 4Receptive fields and functional architecture ...
  • I. Lampl, D. Ferster, T. Poggio, and M. Riesenhuber, «، ...
  • Yann LeCun, Fu-Jie Huang, and Leon Bottou, ،، Learning methods ...
  • B. Leung, *Component-b ased car detection in street scene images?, ...
  • D.G.، Lowe. Object recognition from local scale- invariant features?, In ...
  • B.W. Mel. SEEMORE: 4Combining color, shape and texture hi stogramming ...
  • A. Mohan, C. Papageorgiou, and T. Poggio, ، *Examp le-based ...
  • T. Poggio and E. Bizzi, «Generalization in vision and motor ...
  • M. Riesenhuber and T. Poggio, ،Hierarchical models of object recognition ...
  • H. Schneiderman and T. Kanade, ،A statistical method for 3D ...
  • T. Serre, J. Louie, M. Riesenhuber, and T. Poggio, *On ...
  • T. Serre and M. Riesenhuber, ،Realistic modeling of simple and ...
  • T. Serre, L. Wolf, and T. Poggio, ،0A new biologically ...
  • A. Torralba, K.P. Murphy, and W. T. Freeman Sharing features:، ...
  • S. Ullman, M. Vidal-Naquet, and E. Sali, ،Visual features of ...
  • P. Viola and M. Jones, ،Robust real-time face detection?, In ...
  • M.Weber, M.Welling, and P. Perona, *Unsupervised learning of models for ...
  • H. Wersing and E. Korner, «Learning optimized features for hierarchical ...
  • MIT Center of Biological and Computational Lea rningP edesterianD atabase# ...
  • نمایش کامل مراجع