Sign languages commonly serve as an alternative or complementary mode of human communication Tracking is one of the most fundamental problems in computer vision, and use in a long list of applications such as sign languages recognition. Despite great advances in recent years, tracking remains challenging due to many factors including occlusion, scale variation, etc. The mistake detecting of head or left hand instead of right hand in overlapping are, modes like this, and due to the uncertainty of the hand area over the deaf news video frames; we proposed two methods: first, tracking using particle filter and second tracking using the idea of the rough set theory in granular information with deep neural network. We proposed the method for Combination the Rough Set with Deep Neural Network and used for in Hand/Head Tracking in Video Signal DeafNews. We develop a tracking system for Deaf News. We used rough set theory to increase the accuracy of skin segmentation in video signal. Using deep neural network, we extracted inherent relationships available in the frame pixels and generalized the achieved features to tracking. The system proposed is tested on the 33 of Deaf News with 100 different words and 1927 video files for words then recall, MOTA and MOTP values are obtained. پرونده مقاله

Before the advent of the World Wide Web, lack of information was a problem. But with the advent of the web today, we are faced with an explosive amount of information in every area of search. This extra information is troublesome and prevents a quick and correct decision. This is the problem of information overload. Multi-document summarization is an important solution for this problem by producing a brief summary containing the most important information from a set of documents in a short time. This summary should preserve the main concepts of the documents. When the input documents are related to a specific domain, for example, medicine or law, summarization faces more challenges. Domain-oriented summarization methods use special characteristics related to that domain to generate summaries. This paper introduces the purpose of multi-document summarization systems and discusses domain-oriented approaches. Various methods have been proposed by researchers for multi-document summarization. This survey reviews the categorizations that authors have made on multi-document summarization methods. We also categorize the multi-document summarization methods into six categories: machine learning, clustering, graph, Latent Dirichlet Allocation (LDA), optimization, and deep learning. We review the different methods presented in each of these groups. We also compare the advantages and disadvantages of these groups. We have discussed the standard datasets used in this field, evaluation measures, challenges and recommendations. پرونده مقاله

اثر انگشت بیومتریکی است که به دلیل ویژگی‌های منحصر به فردش، بیشترین کاربرد را در سیستم‌های تشخیص و تعیین هویت داشته است. در سیستم‌های تعیین هویت، تصویر ورودی با تمام تصاویر ثبت‌شده در پایگاه مقایسه می‌گردد و در صورتی که پایگاه داده حجیم باشد، عمل مقایسه بسیار زمان‌بر خواهد بود. برای نمونه می‌توان به پایگاه‌های داده موجود در FBI اشاره نمود. یکی از راه حل‌های تأییدشده برای افزایش سرعت، طبقه‌بندی تصاویر است. در طبقه‌بندی مطلق، به هر اثر انگشت تنها یک کلاس تخصیص می‌یابد. دلایل مختلفی چون نویز یا عدم وجود همه نقاط یکتا در محدوده تصویر، تعیین یک کلاس مطلق برای همه تصاویر را دچار مشکل می‌کند. در این مقاله، روشی جدید بر پایه طبقه‌بندی احتمالی ارائه شده که برای هر تصویر ورودی، مجموعه‌ای از کلاس‌ها مشخص می‌شود که هر یک دارای یک احتمال می‌باشند. در مرحله انطباق، کلاس‌ها به ترتیب اولویتشان جستجو می‌شوند. آزمایشات صورت‌گرفته بر روی پایگاه داده شناخته‌شده 2002 FVC، تأثیر استفاده از طبقه‌بندی احتمالی را به روشنی نشان داده است. با در نظر گرفتن کلاس‌های دوم و سوم تعیین‌شده توسط روش پیشنهادی، دقت شناسایی سیستم تقریباً 18% افزایش یافته است، در صورتی که سرعت آن، 2 تا 3 برابر بیشتر از طبقه‌بندی مطلق می‌باشد. پرونده مقاله