کد محصول:CM7
قیمت فایل ترجمه شده: ۱۵۰۰۰ تومان
تعداد صفحه انگلیسی:۲۲
سال نشر: ۲۰۱۳
تعداد صفحه ترجمه فارسی: ۴۴ صفحه word
عنوان فارسی:
مقاله ترجمه شده ترکیب سنی و برآورد سن از طریق چهره
عنوان انگلیسی:
Age Synthesis and Estimation via Faces
چکیده فارسی:
سن انسان، به عنوان یکی از خصوصیات فردی مهم، که می تواند مستقیما توسط طرح های متمایزی که از حالت چهره ناشی می گردد، تشخیص داده شود. به دلیل پیشرفت های سریع در گرافیک کامپیوتر و دید ماشینی، ترکیب سنی مبتنی بر کامپیوتر و برآورد آن از طریق چهره ها، اخیرا به عنوان موضوع رایج خاصی تبدیل شده که این به دلیل ظهور برنامه های کاربردی حقیقی زیادی در همانند هنرهای بدیعی، مدیریت ارتباط با مشتری الکترونیکی، کنترل امنیتی و نظارت بر نظارت، زیست سنجی، سرگرمی و هنر بدیعی می باشد. ترکیب سنی به معنی بازتفسیر تصویرچهره از نظر زیباشناختی به همراه روند پیری طبیعی و تاثیرات جوان سازی بر روی چهره فرد می باشد. برآورد سن بر مبنای دسته بندی تصویرچهره به صورت اتوماتیک با در نظر گرفتن سن دقیق (سال) یا گروه سنی (محدوده سنی) چهره افراد، تعریف می گردد. به دلیل جزییان و پیچیدگی ، هر دو مسئله دارای جذابیت بوده، با این وچود برای طراحان سیستم برنامه های کاربردی بر مبنای کامپیوتر را به چالش می کشد. تلاش های زیادی در بخش های علمی و صنعتی در طی چند دهه گذشته به این موضوع اختصاص داده شده است. در این مقاله، به بررسی تکنیک های امروزی در ترکیب سنی بر مبنای تصویرو موضوعات برآورد می پردازیم. مدل های موجود، الگوریتم های رایج، عملکردهای سیستم، مشکلات فنی، پایگاه داده عمومی پیر شدن چهره، پروتکل های ارزیابی، و مسیرهای های نوید بخش آینده، با بحث های نظامند مد نظر قرار می گیرد.
۴.۲ الگوریتم برآورد سن
با مد نظر قرار دادن بازنمایی مشخصه سنی، مرحله بعدی برآورد سن می باشد. برآورد سن به عنوان فعالیت شناسایی الگو بوده، و به عنوان یک پدیده خاص می باشد. هر مشخصه سنی بر مبنای دسته بندی مشاهده می شود؛ بنابراین برآورد سنی به عنوان یک مشکل طبقه بندی شده می باشد. از طریق دیگر ارقام سن بر مبنای ارزش های متوالی می باشد برای مثال ۰, ۱, ۲,. . . ؛ بنابراین برآورد سن به عنوان یک مشکل رگرسیون مد نظر قرار می گیرد. بنابراین پرسشی در اینجا مطرح می گردد: آیا موثر می باشد تا برآورد سنی را بر مبنای مشکلات دسته بندی شده و رگرسیون مد نظر قرار دهیم؟ ما در ابتدا به بررسی رویکردهای موجود مختلف از هر دو طرف پرداخته و سپس به این پرسش ها بر طبق به دیدگاهمان پاسخ می دهیم.
۴.۲.۱ دسته بندی
لانیتیس و همکارانش به ارزیابی عملکرد دسته های مختلف برای برآورد سن ، شامل نزدیک ترین دسته بندی، شبکه های عصبی مصنوعی ( ANN)، و دسته بندی تابع درجه دوم پرداختند. تصویر چهره توسط روش AAM نشان داده می شود. تابع درجه دوم در واقع به عنوان تابع رگرسیون می باشدکه باعث ارتباط بازنمایی تصویر با برچسب سنی می گردد؛ به هر حال، محقق از ان به عنوان دسته بندی تابع درجه دوم یاد می کند. با استفاده از بررسی های انجام شده بر روی پایگاه داده کوچک شامل ۴۰۰ تصویر در محدوده سنی ۰ تا ۳۵ سال، گزارش شده است که دسته بندی تابع درجه دوم می تواند به ۵.۰۴ سال از MAE برسد، اما بالاتر از ANN و رویکرد غیرنظارتی می– یعنی روش طرح خودسازمانی- باشد. محقق همچنین موارد دیگری را نیز مطرح می کند برای مثال، در ابتدا خوشه بندی انجام شده، ئ سپس به اصلاح برآورد سن به چهره زنجیره ای می پردازیم. روش های مبسوط کمی نسبت خطا را کاهش می دهند، اما نتایج در پایگاه های داده کوچک با محدوده سنی پایین گزارش می گردند. محقق همچنین به مقایسه برآورد سن توسط کامپیوتر با نظارت انسانی می پردازد. زیرمجموعه تصادفی از ۳۲ تصویر از ۴۰۰ تصویر برای تست دقت انسانی در برآورد سن انتخاب می گردد. با توجه به ۲۰ ناظری که در این تست حضور دارند، متوسط خطا به ۳.۶۴ سال می رسد.
همان طور که بر مبنای دسته بندی ۱۱ مورد برای پایگاه داده WIT-DB نشان داده شده است ( مرد از زن جدا)، یوکی و همکارانش ۱۱ مدل گاوس را در فضای مشخصه ۲DLDA+LDA با ابعاد پایین با استفاده از الگوریتم EM ایجاد کردند. دسته بندی سنی گروه از طریق متناسب بودن تصویر آزمایشی با هر مدل گاوس و مقایسه احتمالات تعیین شد. در ارتباط با دسته بندی گروه سنی محدوده سنی پنج سال، سیستم آن ها دارای دقت ۵۰ درصدی برای مردان و ۴۳ درصدی برای زنان بوده است. در ارتباط با دسته بندی گروه سنی محدوده سنی ۱۰ سال، دارای دقت ۷۲ درصدی برای مردان و ۶۳ درصدی برای زنان بوده است. در ارتباط با دسته بندی گروه سنی محدوده سنی ۱۵ سال، دارای دقت ۸۲ درصدی برای مردان و ۷۴ درصدی برای زنان بوده است. SVM برای برآورد سنی توسط گو و همکارانش بر روی پایگاه داده بزرگ YGA با ۸۰۰۰ تصویر بکار گرفته شد. MAEs رای زنان و مردان به ترتیب ۵.۵۵ . ۵.۵۲ بوده است.