-
دسترسی آزاد مقاله
1 - مشارکت سه بافت مغزی در تشخیص بیماری آلزایمر از MRI ساختاری
شیما تاج الدینی حبیب اله دانیالی محمدصادق هل فروش یعقوب فاطمیبیماری آلزایمر (AD) یک بیماری پیشرونده و برگشت ناپذیر است که به تدریج باعث می شود بیماران نتوانند کارهای روزمره خود را انجام دهند. اگرچه روش های درمانی فعلی نمی توانند بیماری را به طور کامل درمان کنند ، اما تشخیص به موقع آن می تواند علائم را کاهش داده و کیفیت زندگی بیما چکیده کاملبیماری آلزایمر (AD) یک بیماری پیشرونده و برگشت ناپذیر است که به تدریج باعث می شود بیماران نتوانند کارهای روزمره خود را انجام دهند. اگرچه روش های درمانی فعلی نمی توانند بیماری را به طور کامل درمان کنند ، اما تشخیص به موقع آن می تواند علائم را کاهش داده و کیفیت زندگی بیماران را افزایش دهد. در ادبیات فعلی ، استفاده از بافت ماده خاکستری (GM) که به عنوان نشانگر زیستی مناسب شناخته می شود ، در تشخیص AD بسیار رایج است. با این حال ، به نظر می رسد دو بافت مغز دیگر معروف به مایع مغزی نخاعی (CSF) و ماده سفید (WM) اطلاعات مفیدی را درباره تغییرات مغزی بیماران نشان می دهند. هدف از مطالعه حاضر ایجاد یک سیستم اتوماتیک برای تشخیص زود هنگام بیماری آلزایمر از MRI ساختاری با در نظر گرفتن همزمان ویژگی های مناسب از تمام بافت های GM ، CSF و WM است. یک طبقه بندی SVM-RBF بر روی پایگاه داده OASIS آموزش داده شده و مورد ارزیابی قرار می گیرد تا AD از افراد سالم کنترل شود. نتایج به دست آمده نشان دهنده دقت و حساسیت بالاتر الگوریتم پیشنهادی در مقایسه با روش مشابه است پرونده مقاله -
دسترسی آزاد مقاله
2 - بهبود روش شناسایی وب سایت فیشینگ با استفاده از داده‌کاوی روی صفحات وب
مهدیه بهارلو علیرضا یاریفیشینگ یک نوع حمله اینترنتی در سطح وب است که هدف آن سرقت مشخصات فردی کاربران برای دزدی آنلاین است. فیشینگ دارای اثر منفی در از بین بردن اعتماد بین کاربران در کسب‌وکارهای الکترونیکی است؛ بنابراین در این تحقیق سعی بر بررسی روشهای تشخیص وب سایت‌های فیشینگ با استفاده از داد چکیده کاملفیشینگ یک نوع حمله اینترنتی در سطح وب است که هدف آن سرقت مشخصات فردی کاربران برای دزدی آنلاین است. فیشینگ دارای اثر منفی در از بین بردن اعتماد بین کاربران در کسب‌وکارهای الکترونیکی است؛ بنابراین در این تحقیق سعی بر بررسی روشهای تشخیص وب سایت‌های فیشینگ با استفاده از داده کاوی شده است. شناسایی ویژگی‌های برجسته از فیشینگ یکی از پیش‌شرط‌های مهم در طراحی یک سیستم تشخیصی دقیق است؛ لذا در گام اول، برای شناسایی ویژگی‌های نفوذ فیشینگ یک لیست با 30 ویژگی مطرح در وب‌سایت‌های فیشینگ آماده گردید. سپس برای افزایش کارایی سامانه‌های تشخیص فیشینگ روش جدیدی جهت کاهش ویژگی ها در دومرحله مبتنی بر انتخاب ویژگی و استخراج ویژگی پیشنهاد شده است که موجب می شود تعداد ویژگی‌ها به‌طور قابل‌توجهی کاهش یابند. پس‌ازآن عملکرد روشهای درخت تصمیم J48، جنگل تصادفی و بیزین ساده بر روی ویژگی‌های کاهش‌یافته موردبررسی قرار گرفت. نتایج نشان می‌دهند دقت مدل ایجاد شده برای تعیین وب سایت‌های فیشینگ با استفاده از کاهش ویژگی دومرحله‌ای مبتنی بر پوششی و الگوریتم تحلیل مؤلفه اصلی (PCA) در روش جنگل تصادفی ۹۶٫۵۸% می‌باشد که نسبت به سایر روش‌ها نتیجه مطلوبی است. پرونده مقاله -
دسترسی آزاد مقاله
3 - Online Signature Verification: a Robust Approach for Persian Signatures
Mohamamd Esmaeel Yahyatabar Yasser Baleghi Mohammad Reza Karami-MollaeiIn this paper, the specific trait of Persian signatures is applied to signature verification. Efficient features, which can discriminate among Persian signatures, are investigated in this approach. Persian signatures, in comparison with other languages signatures, have چکیده کاملIn this paper, the specific trait of Persian signatures is applied to signature verification. Efficient features, which can discriminate among Persian signatures, are investigated in this approach. Persian signatures, in comparison with other languages signatures, have more curvature and end in a specific style. Usually, Persian signatures have special characteristics, in terms of speed, acceleration and pen pressure, during drawing curves. An experiment has been designed to determine the function indicating the most robust features of Persian signatures. Results obtained from this experiment are then used in feature extraction stage. To improve the performance of verification, a combination of shape based and dynamic extracted features is applied to Persian signature verification. To classify these signatures, Support Vector Machine (SVM) is applied. The proposed method is examined on two common Persian datasets, the new proposed Persian dataset in this paper (Noshirvani Dynamic Signature Dataset) and an international dataset (SVC2004). For three Persian datasets EER value are equal to 3, 3.93, 4.79, while for SVC2004 the EER value is 4.43. پرونده مقاله -
دسترسی آزاد مقاله
4 - Application of Curve Fitting in Hyperspectral Data Classification and Compression
S. Abolfazl HosseiniRegarding to the high between-band correlation and large volumes of hyperspectral data, feature reduction (either feature selection or extraction) is an important part of classification process for this data type. A variety of feature reduction methods have been develop چکیده کاملRegarding to the high between-band correlation and large volumes of hyperspectral data, feature reduction (either feature selection or extraction) is an important part of classification process for this data type. A variety of feature reduction methods have been developed using spectral and spatial domains. In this paper, a feature extracting technique is proposed based on rational function curve fitting. For each pixel of a hyperspectral image, a specific rational function approximation is developed to fit the spectral response curve of that pixel. Coefficients of the numerator and denominator polynomials of these functions are considered as new extracted features. This new technique is based on the fact that the sequence discipline - ordinance of reflectance coefficients in spectral response curve - contains some information which has not been considered by other statistical analysis based methods, such as Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA) and their nonlinear versions. Also, we show that naturally different curves can be approximated by rational functions with equal form, but different amounts of coefficients. Maximum likelihood classification results demonstrate that the Rational Function Curve Fitting Feature Extraction (RFCF-FE) method provides better classification accuracies compared to competing feature extraction algorithms. The method, also, has the ability of lossy data compression. The original data can be reconstructed using the fitted curves. In addition, the proposed algorithm has the possibility to be applied to all pixels of image individually and simultaneously, unlike to PCA and other methods which need to know whole data for computing the transform matrix. پرونده مقاله -
دسترسی آزاد مقاله
5 - Eye Gaze Detection Based on Learning Automata by Using SURF Descriptor
Hassan Farsi Reza Nasiripour Sajad MohammadzadehIn the last decade, eye gaze detection system is one of the most important areas in image processing and computer vision. The performance of eye gaze detection system depends on iris detection and recognition (IR). Iris recognition is very important role for person iden چکیده کاملIn the last decade, eye gaze detection system is one of the most important areas in image processing and computer vision. The performance of eye gaze detection system depends on iris detection and recognition (IR). Iris recognition is very important role for person identification. The aim of this paper is to achieve higher recognition rate compared to learning automata based methods. Usually, iris retrieval based systems consist of several parts as follows: pre-processing, iris detection, normalization, feature extraction and classification which are captured from eye region. In this paper, a new method without normalization step is proposed. Meanwhile, Speeded up Robust Features (SURF) descriptor is used to extract features of iris images. The descriptor of each iris image creates a vector with 64 dimensions. For classification step, learning automata classifier is applied. The proposed method is tested on three known iris databases; UBIRIS, MMU and UPOL database. The proposed method results in recognition rate of 100% for UBIRIS and UPOL databases and 99.86% for MMU iris database. Also, EER rate of the proposed method for UBIRIS, UPOL and MMU iris database are 0.00%, 0.00% and 0.008%, respectively. Experimental results show that the proposed learning automata classifier results in minimum classification error, and improves precision and computation time. پرونده مقاله -
دسترسی آزاد مقاله
6 - Drone Detection by Neural Network Using GLCM and SURF Features
Tanzia Ahmed Tanvir Rahman Bir Ballav Roy Jia UddinThis paper presents a vision-based drone detection method. There are a number of researches on object detection which includes different feature extraction methods – all of those are used distinctly for the experiments. But in the proposed model, a hybrid feature extrac چکیده کاملThis paper presents a vision-based drone detection method. There are a number of researches on object detection which includes different feature extraction methods – all of those are used distinctly for the experiments. But in the proposed model, a hybrid feature extraction method using SURF and GLCM is used to detect object by Neural Network which has never been experimented before. Both are very popular ways of feature extraction. Speeded-up Robust Feature (SURF) is a blob detection algorithm which extracts the points of interest from an integral image, thus converts the image into a 2D vector. The Gray-Level Co-Occurrence Matrix (GLCM) calculates the number of occurrences of consecutive pixels in same spatial relationship and represents it in a new vector- 8 × 8 matrix of best possible attributes of an image. SURF is a popular method of feature extraction and fast matching of images, whereas, GLCM method extracts the best attributes of the images. In the proposed model, the images were processed first to fit our feature extraction methods, then the SURF method was implemented to extract the features from those images into a 2D vector. Then for our next step GLCM was implemented which extracted the best possible features out of the previous vector, into a 8 × 8 matrix. Thus, image is processed in to a 2D vector and feature extracted from the combination of both SURF and GLCM methods ensures the quality of the training dataset by not just extracting features faster (with SURF) but also extracting the best of the point of interests (with GLCM). The extracted featured related to the pattern are used in the neural network for training and testing. Pattern recognition algorithm has been used as a machine learning tool for the training and testing of the model. In the experimental evaluation, the performance of proposed model is examined by cross entropy for each instance and percentage error. For the tested drone dataset, experimental results demonstrate improved performance over the state-of-art models by exhibiting less cross entropy and percentage error. پرونده مقاله -
دسترسی آزاد مقاله
7 - Farsi Font Detection using the Adaptive RKEM-SURF Algorithm
Zahra Hossein-Nejad Hamed Agahi Azar MahmoodzadehFarsi font detection is considered as the first stage in the Farsi optical character recognition (FOCR) of scanned printed texts. To this aim, this paper proposes an improved version of the speeded-up robust features (SURF) algorithm, as the feature detector in the font چکیده کاملFarsi font detection is considered as the first stage in the Farsi optical character recognition (FOCR) of scanned printed texts. To this aim, this paper proposes an improved version of the speeded-up robust features (SURF) algorithm, as the feature detector in the font recognition process. The SURF algorithm suffers from creation of several redundant features during the detection phase. Thus, the presented version employs the redundant keypoint elimination method (RKEM) to enhance the matching performance of the SURF by reducing unnecessary keypoints. Although the performance of the RKEM is acceptable in this task, it exploits a fixed experimental threshold value which has a detrimental impact on the results. In this paper, an Adaptive RKEM is proposed for the SURF algorithm which considers image type and distortion, when adjusting the threshold value. Then, this improved version is applied to recognize Farsi fonts in texts. To do this, the proposed Adaptive RKEM-SURF detects the keypoints and then SURF is used as the descriptor for the features. Finally, the matching process is done using the nearest neighbor distance ratio. The proposed approach is compared with recently published algorithms for FOCR to confirm its superiority. This method has the capability to be generalized to other languages such as Arabic and English. پرونده مقاله -
دسترسی آزاد مقاله
8 - A Hybrid Machine Learning Approach for Sentiment Analysis of Beauty Products Reviews
Kanika Jindal Rajni AronNowadays, social media platforms have become a mirror that imitates opinions and feelings about any specific product or event. These product reviews are capable of enhancing communication among entrepreneurs and their customers. These reviews need to be extracted and an چکیده کاملNowadays, social media platforms have become a mirror that imitates opinions and feelings about any specific product or event. These product reviews are capable of enhancing communication among entrepreneurs and their customers. These reviews need to be extracted and analyzed to predict the sentiment polarity, i.e., whether the review is positive or negative. This paper aims to predict the human sentiments expressed for beauty product reviews extracted from Amazon and improve the classification accuracy. The three phases instigated in our work are data pre-processing, feature extraction using the Bag-of-Words (BoW) method, and sentiment classification using Machine Learning (ML) techniques. A Global Optimization-based Neural Network (GONN) is proposed for the sentimental classification. Then an empirical study is conducted to analyze the performance of the proposed GONN and compare it with the other machine learning algorithms, such as Random Forest (RF), Naive Bayes (NB), and Support Vector Machine (SVM). We dig further to cross-validate these techniques by ten folds to evaluate the most accurate classifier. These models have also been investigated on the Precision-Recall (PR) curve to assess and test the best technique. Experimental results demonstrate that the proposed method is the most appropriate method to predict the classification accuracy for our defined dataset. Specifically, we exhibit that our work is adept at training the textual sentiment classifiers better, thereby enhancing the accuracy of sentiment prediction. پرونده مقاله -
دسترسی آزاد مقاله
9 - Optimized kernel Nonparametric Weighted Feature Extraction for Hyperspectral Image Classification
Mohammad HasheminejadHyperspectral image (HSI) classification is an essential means of the analysis of remotely sensed images. Remote sensing of natural resources, astronomy, medicine, agriculture, food health, and many other applications are examples of possible applications of this techni چکیده کاملHyperspectral image (HSI) classification is an essential means of the analysis of remotely sensed images. Remote sensing of natural resources, astronomy, medicine, agriculture, food health, and many other applications are examples of possible applications of this technique. Since hyperspectral images contain redundant measurements, it is crucial to identify a subset of efficient features for modeling the classes. Kernel-based methods are widely used in this field. In this paper, we introduce a new kernel-based method that defines Hyperplane more optimally than previous methods. The presence of noise data in many kernel-based HSI classification methods causes changes in boundary samples and, as a result, incorrect class hyperplane training. We propose the optimized kernel non-parametric weighted feature extraction for hyperspectral image classification. KNWFE is a kernel-based feature extraction method, which has promising results in classifying remotely-sensed image data. However, it does not take the closeness or distance of the data to the target classes. Solving the problem, we propose optimized KNWFE, which results in better classification performance. Our extensive experiments show that the proposed method improves the accuracy of HSI classification and is superior to the state-of-the-art HIS classifiers. پرونده مقاله -
دسترسی آزاد مقاله
10 - انتخاب ويژگي براي شناسايي نويسنده در متون کوتاه برخط فارسي
سمیه عارفی محمد احسان بصیری امید روزمندرشد فزايندهي استفاده از رسانه‌هاي اجتماعي و ارتباطات برخط به‌منظور بيان نظرات، تبادل عقايد و همچنين گسترش استفادهي کاربران فارسي زبان از اين ابزارها باعث افزايش متون فارسي در وب شده است. اين رشد چشمگير در کنار سوءاستفادههاي ناشي از ناشناس بودن نويسندهي نوشتهها نياز چکیده کاملرشد فزايندهي استفاده از رسانه‌هاي اجتماعي و ارتباطات برخط به‌منظور بيان نظرات، تبادل عقايد و همچنين گسترش استفادهي کاربران فارسي زبان از اين ابزارها باعث افزايش متون فارسي در وب شده است. اين رشد چشمگير در کنار سوءاستفادههاي ناشي از ناشناس بودن نويسندهي نوشتهها نياز به سامانهي خودکار شناسايي نويسنده در اين زبان را بيش از پيش آشکار مي‌سازد. هدف از اين پژوهش، بررسي ويژگي‌هاي مؤثر در شناسايي نويسندگان نظرات فارسي توليد شده توسط خريداران گوشي و همچنین ارزیابی روشهای نظارتی و غیرنظارتی می‌باشد. عواملي که در اين پژوهش بررسي مي‌شود شامل ويژگي‌هاي لغوي، نگارشی، معنايي، ساختاري، دستوري، مختص متن و مختص شبکه‌هاي اجتماعي است. پس از استخراج ويژگي‌هاي مذکور، انتخاب ويژگي‌هاي برتر توسط چهار الگوريتم همبستگي ويژگي، نسبت بهره، OneR و تحليل اجزاي اصلي آزمايش مي‌شود. در ادامه از الگوريتم‌هاي K-means، EM و خوشه‌بندي مبتني بر چگالي براي خوشه‌بندي و الگوريتم‌هاي شبکهي بيز، جنگل تصادفي و Bagging براي دستهبندي استفاده خواهد شد. ارزيابي الگوريتم‌هاي فوق بر روي نظرات فارسي مربوط به خريداران گوشي‌هاي سامسونگ نشان مي‌دهد که بهترين تشخيص در بين الگوريتم‌هاي خوشه‌بندي با دقت 16/59% مربوط به الگوريتم EM روي 15 ويژگي برتر انتخابي توسطOneR است درحالي‌که الگوريتم جنگل تصادفي به‌همراه نسبت بهره برای 90 ویژگی با دقت 57/79% بهترين کارايي را در بين الگوريتم‌هاي دستهبندي دارد. همچنين مقايسه‌ی ويژگي‌ها نشان داد که ويژگي‌هاي نگارشی بيشترين تأثير را در شناسايي نويسندهي متون کوتاه داشته و پس از آن به‌ترتيب ويژگي‌هاي لغوي ، مختص متن، مختص شبکه‌های اجتماعی، ساختاري، دستوري و معنایی قرار گرفتند. پرونده مقاله -
دسترسی آزاد مقاله
11 - گرافولوژي دست‌نوشته فارسي به کمک کامپيوتر
علي بهرامي شريف احسان‌اله کبیرگرافولوژي، علم مطالعه و بررسي شخصيت و خصوصيات فردي براساس نحوه نوشتن است. در جهان غرب مهمترين كاربرد گرافولوژي، گزينش متقاضيان استخدام است. با استخراج و تجزيه و تحليل سريع و دقيق ويژگي‌هاي دست‌نوشته به کمک کامپيوتر، مي‌توان کمک قابل توجهي به گرافولوژيست‌ها کرد. مهمترين چکیده کاملگرافولوژي، علم مطالعه و بررسي شخصيت و خصوصيات فردي براساس نحوه نوشتن است. در جهان غرب مهمترين كاربرد گرافولوژي، گزينش متقاضيان استخدام است. با استخراج و تجزيه و تحليل سريع و دقيق ويژگي‌هاي دست‌نوشته به کمک کامپيوتر، مي‌توان کمک قابل توجهي به گرافولوژيست‌ها کرد. مهمترين ويژگي‌هاي دست‌نوشته كه در گرافولوژي استفاده مي‌شوند عبارتند از: شكل حاشيه‌هاي سفيد صفحه، فاصله بين سطرها، كجي سطرها، كجي كلمات، زاوية كشيدگي حروف به بالا و پايين، تيزي گوشه‌ها در حروف، ميزان درشت‌نويسي، فشردگي متن، سرعت نوشتن و نظم در نوشتن. در اين مقاله، روش‌هايي براي استخراج خودکار برخي از اين ويژگي‌ها پيشنهاد مي‌شود و نتايج حاصل از اجراي اين روش‌ها بر 118 نمونه دست‌نوشته افراد مختلف ارائه مي‌شود. پرونده مقاله -
دسترسی آزاد مقاله
12 - روش جديد آسيب‌شناسي توده‌ها در تصاوير ماموگرافي به كمک ترکیب ويژگي‌هاي منطبق بر استاندارد BI - RADS و كلاسه‌بندي كننده مبتني بر تضاد
فاطمه ساکی امیر طهماسبی شهریار برادران شکوهیتفكيك توده‌هاي خوش‌خيم و بدخيم در ماموگرام‌هاي ديجيتالي يكي از مراحل بسيار مهم تشخيص زودهنگام سرطان سينه است، چرا كه مي‌تواند تا حد زيادي شانس بقاي بيمار را افزايش دهد. در اين مقاله يك سيستم CADx نوين با به‌کارگيري کلاسه‌بندي کننده جديد مبتني بر تضاد (OWBP) جهت آسيب‌شنا چکیده کاملتفكيك توده‌هاي خوش‌خيم و بدخيم در ماموگرام‌هاي ديجيتالي يكي از مراحل بسيار مهم تشخيص زودهنگام سرطان سينه است، چرا كه مي‌تواند تا حد زيادي شانس بقاي بيمار را افزايش دهد. در اين مقاله يك سيستم CADx نوين با به‌کارگيري کلاسه‌بندي کننده جديد مبتني بر تضاد (OWBP) جهت آسيب‌شناسي توده‌ها در تصاوير ماموگرافي معرفي خواهد شد. هدف، بهبود عملکرد و سرعت يادگيري الگوريتم‌هاي CADx با استفاده از ترکيب ويژگي‌هاي منطبق بر استاندارد BI-RADS و كلاسه‌بندي كننده پيشنهادي مي‌باشد. ورودي سيستم يک ROI بوده که حاوي يک توده مشکوک است. اين ناحيه ابتدا تحت پيش‌پردازش‌هايي قرار گرفته، سپس 12 ويژگي که توصيف‌کننده‌هاي مناسبي از شکل، مرز و چگالي توده هستند، استخراج مي‌شوند. منحنی ROC و عملكرد آسيب‌شناسي حاصل از ترکيب تمام اين ويژگي‌ها توسط دو کلاسه‌بندي کننده با يادگيري متداول پس‌انتشار و يادگيري پيشنهادي OWBP ارزيابي شده و سيستم‌هاي حاصل از لحاظ سرعت يادگيري نیز مورد مقايسه قرار گرفته‌اند. همچنین در اين تحقيق قابليت آسيب‌شناسي هر گروه از ويژگي‌هاي شكل، مرز و چگالي به‌طور جداگانه بررسي شده است. پايگاه داده مورد استفاده در اين تحقيق MIAS است. سيستم نهايي پیشنهادی داراي Az 924/0، با سرعت يادگيري تقريباً 4 برابر سرعت يادگيري سيستم با کلاسه‌بندي کننده پس‌انتشار و همچنين عملکرد 86/92% مي‌باشد. پرونده مقاله -
دسترسی آزاد مقاله
13 - جداسازي تصوير به مؤلفه‌هاي بافت و ساختار براي بازيابي تصوير بر اساس محتوا
سعید حیاتی سعید سریزدی حسین نظامآبادیپوردر اين مقاله روش جديدي براي استخراج ويژگي‌هاي سطح پايين و نمايه‌سازي تصوير بر مبناي جداسازي تصوير به مؤلفه‌هاي بافت و ساختار ارائه شده است. ايده اصلي اين تحقيق جداسازي تصاوير به مؤلفه‌هاي بافت و ساختار براي کاهش اثر مخرب وجود بافت و ساختار به‌صورت همزمان در تصوير در مر چکیده کاملدر اين مقاله روش جديدي براي استخراج ويژگي‌هاي سطح پايين و نمايه‌سازي تصوير بر مبناي جداسازي تصوير به مؤلفه‌هاي بافت و ساختار ارائه شده است. ايده اصلي اين تحقيق جداسازي تصاوير به مؤلفه‌هاي بافت و ساختار براي کاهش اثر مخرب وجود بافت و ساختار به‌صورت همزمان در تصوير در مرحله استخراج ويژگي است. همچنين نشان داده شده است که با ترکيب بردار ويژگي استخراج‌شده از مؤلفه‌هاي بافت و ساختار، دقت در سيستم بازيابي تصوير به مقدار قابل توجهي افزايش مي‌يابد. براي ارزيابي روش پيشنهادي، از يک پايگاه داده عام شامل 10000 تصوير از 82 گروه معنايي متفاوت استفاده شده است. نتايج آزمايش‌ها کارايي اين روش را تأييد مي‌کند. پرونده مقاله -
دسترسی آزاد مقاله
14 - ارائه یک شکل جدید از الگوهای باینری محلی به منظور طبقه‌بندی بافت تصویر
مرضیه پاکدل فرشاد فرشاد تاجریپورطبقهبندی بافت تصویر نقش بسیار مهمی در بینایی ماشین و پردازش تصویر دارد. اولین و مهم‌ترین مرحله در طبقه‌بندی بافت تصویر، استخراج ویژگی از تصویر می‌باشد. تاکنون روشهای بسیار زیادی برای استخراج ویژگی از تصاویر بافتی ارائه شده‌اند اما از میان روشهای موجود الگوهای باینری چکیده کاملطبقهبندی بافت تصویر نقش بسیار مهمی در بینایی ماشین و پردازش تصویر دارد. اولین و مهم‌ترین مرحله در طبقه‌بندی بافت تصویر، استخراج ویژگی از تصویر می‌باشد. تاکنون روشهای بسیار زیادی برای استخراج ویژگی از تصاویر بافتی ارائه شده‌اند اما از میان روشهای موجود الگوهای باینری محلی، در شکل اصلی و بهبودیافته خود، به دلیل سادگی در پیاده‌سازی و استخراج ویژگی‌های مناسب با دقت طبقه‌بندی بالا، مورد توجه بسیاری از متخصصان این زمینه قرار گرفته است. شکل اصلی الگوهای باینری محلی هرچند از نظر پیاده‌سازی بسیار ساده است، اما زمانی که شعاع همسایگی افزایش یابد پیچیدگی محاسباتی بالایی دارد. شکل بهبودیافته الگوهای باینری محلی نیز به الگوهای همگن برچسب‌های متمایز و به تمام الگوهای غیر همگن یک برچسب یکسان انتساب می‌دهد و این امر، طبقه‌بندی تصاویری که دارای درصد بالایی از الگوهای غیر همگن می‌باشند را با مشکل مواجه می‌سازد. در این مقاله، یک شکل جدید از الگوهای باینری محلی ارائه شده است که پیچیدگی محاسباتی آن نسبت به شکل اصلی الگوهای باینری محلی کمتر و دقت طبقه‌بندی آن نیز از شکل اصلی و بهبودیافته الگوهای باینری محلی بیشتر می‌باشد. روش ارائه‌شده در این مقاله نه تنها تصاویر با الگوهای همگن را به خوبی طبقه‌بندی می‌کند، بلکه در مورد تصاویری که دارای حجم بسیار بالایی از الگوهای غیر همگن می‌باشند نیز به خوبی عمل می‌کند. همچنین می‌توان با تغییر در بازه‌های شدت روشنایی، محلی یا سراسری‌بودن ویژگی‌ها را کنترل کرد. دقت طبقه‌بندی برای تمام تصاویر بافتی موجود در پایگاه داده Brodatz و Outex، کارایی روش ارائه‌شده را نشان می‌دهد. پرونده مقاله -
دسترسی آزاد مقاله
15 - استفاده از مدل‌های وابسته به محتوا در واژه‌ياب گفتار متمايزساز
شیما طبیبیان احمد اکبری بابک ناصرشريفرويكردهاي واژه‌يابي گفتار به دو گروه تقسيم می‌شوند: رويكردهاي مبتني بر مدل مخفي ماركف و رويكردهاي متمايزساز. يكي از فوايد رويكردهاي مبتني بر مدل مخفي ماركف، قابليت استفاده از اطلاعات وابسته به محتوا (سه واج) در جهت بهبود كارايي سيستم واژه‌ياب گفتار مي‌باشد. از طرفی، عدم چکیده کاملرويكردهاي واژه‌يابي گفتار به دو گروه تقسيم می‌شوند: رويكردهاي مبتني بر مدل مخفي ماركف و رويكردهاي متمايزساز. يكي از فوايد رويكردهاي مبتني بر مدل مخفي ماركف، قابليت استفاده از اطلاعات وابسته به محتوا (سه واج) در جهت بهبود كارايي سيستم واژه‌ياب گفتار مي‌باشد. از طرفی، عدم امكان استفاده از اطلاعات وابسته به محتوا يكي از معایب رويكردهاي واژه‌يابي گفتار متمايزساز محسوب مي‌شود. در اين مقاله، راهكاري براي رفع اين عیب ارائه شده که به اين منظور، بخش استخراج ويژگي يك سيستم واژه‌ياب گفتار متمايزساز مبتنی بر الگوریتم تکاملی (EDSTD)- كه در كارهاي قبلي ما ارائه شده است- به گونه‌اي تغيير یافته كه اطلاعات وابسته به محتوا را در نظر بگيرد. در مرحله نخست، يك رويكرد استخراج ويژگي مستقل از محتوا پيشنهاد شده و سپس رويكردي براي به كارگيري اطلاعات وابسته به محتوا در بخش استخراج ويژگي ارائه شده است. نتايج ارزيابي‌ها روی دادگان TIMIT حاكي از آن است كه نرخ بازشناسي سيستم EDSTD وابسته به محتوا (CD-EDSTD) در اخطار اشتباه بر كلمه كليدي بر ساعت بزرگ‌تر از دو، حدود 3% از نرخ بازشناسي درست سيستم EDSTD مستقل از محتوا (CI-EDSTD) بالاتر است. هزينه اين بهبود دقت، حدود 36/0 افت سرعت پاسخ‌گويي است كه قابل چشم‌پوشي مي‌باشد. پرونده مقاله -
دسترسی آزاد مقاله
16 - طبقه‌بندی تصاویر ابرطیفی با استفاده از تحلیل ممیز خطی فضای خوشه و مجموعه نمونه‌های آموزشی کوچک
مریم ایمانی حسن قاسمیان یزدیامروزه، تصاویر ابرطیفی به دست آمده از سنجنده‌های از راه دور، امکان تمییز بین کلاس‌ها با جزئیات بیشتر را فراهم آورده‌اند. بعد بالای داده ابرطیفی از یک سو و کمبود تعداد نمونه‌های آموزشی از سوی دیگر، سبب ایجاد مشکلاتی در طبقه‌بندی تصاویر ابرطیفی می‌شود. از آنجایی که جمع‌آو چکیده کاملامروزه، تصاویر ابرطیفی به دست آمده از سنجنده‌های از راه دور، امکان تمییز بین کلاس‌ها با جزئیات بیشتر را فراهم آورده‌اند. بعد بالای داده ابرطیفی از یک سو و کمبود تعداد نمونه‌های آموزشی از سوی دیگر، سبب ایجاد مشکلاتی در طبقه‌بندی تصاویر ابرطیفی می‌شود. از آنجایی که جمع‌آوری داده‌های آموزشی سخت و زمان‌بر است، کاهش تعداد باندهای طیفی به بهبود کارایی طبقه‌بند کمک شایانی خواهد نمود. بنابراین استخراج ویژگی تصاویر ابرطیفی، یکی از مراحل مهم پیش‌پردازش این نوع داده‌ها محسوب می‌شود. در شرایطی که تعداد نمونه آموزشی در دسترس محدود است، روشهای استخراج ویژگی معمول همچون LDA دارای کارایی خوبی نخواهند بود. در این مقاله، یک روش استخراج ویژگی نظارت‌شده معرفی گردیده که بدون نیاز به تعیین برچسب نمونه‌های آزمایشی، با انجام خوشه‌بندی بر روی آنها و یافتن رابطه بین نمونه‌های آموزشی و آزمایشی، از قدرت نمونه‌های بدون برچسب به همراه نمونه‌های آموزشی برای تولید ماتریس‌های پراکندگی درون‌کلاسی و بین‌کلاسی استفاده می‌کند. این کار دقت طبقه‌بندی را خصوصاً برای داده‌های ابرطیفی چندمده افزایش خواهد داد. روش پیشنهادی که تحلیل ممیز خطی فضای خوشه (CSLDA) نامیده می‌شود، با روشهای پرکاربرد استخراج ویژگی نظارت‌شده همچون LDA، GDA و NWFE مقایسه شده است. نتایج به دست آمده بر روی تصاویر ابرطیفی واقعی از مناطق شهری و کشاورزی نشان می‌دهند که روش پیشنهادی با استفاده از تعداد محدود نمونه‌های آموزشی، دارای کارایی بهتری نسبت به سایر روش‌ها می‌باشد. پرونده مقاله -
دسترسی آزاد مقاله
17 - ارائه روشی جدید از نگاشت توسعه‌یافته الگوی دودویی محلی جهت طبقه‌بندی تصاویر بافتی
محمدحسین شکور فرشاد فرشاد تاجریپورطبقهبندی بافت از جمله شاخه‌های مهم پردازش تصویر است و مهم‌ترین نکته در طبقه‌بندی بافت‌ها، استخراج ویژگی‌های تصویر بافتی است. یکی از مهم‌ترین و ساده‌ترین روش‌ها، روش مبتنی بر الگوی دودویی محلی است که به دلیل سادگی در پیاده‌سازی و استخراج ویژگی‌های مناسب با دقت طبقه‌بندی چکیده کاملطبقهبندی بافت از جمله شاخه‌های مهم پردازش تصویر است و مهم‌ترین نکته در طبقه‌بندی بافت‌ها، استخراج ویژگی‌های تصویر بافتی است. یکی از مهم‌ترین و ساده‌ترین روش‌ها، روش مبتنی بر الگوی دودویی محلی است که به دلیل سادگی در پیاده‌سازی و استخراج ویژگی‌های مناسب با دقت طبقه‌بندی بالا، مورد توجه قرار گرفته است. در اغلب روشهای الگوی دودویی محلی بیشتر به الگوهای محلی همگن توجه شده و همه اطلاعات قسمت‌های ناهمگن تصویر صرفاً به عنوان یک ویژگی استخراج می‌شود. در این مقاله، یک شکل جدید از نگاشت الگوهای دودویی محلی ارائه شده که از اطلاعات الگوهای ناهمگن به شکل مناسب استفاده می‌کند. یعنی بر خلاف اغلب روشهای قبلی، در اینجا از الگوهای محلی ناهمگن ویژگی‌های بیشتری استخراج می‌شود و در نتیجه دقت طبقه‌بندی بالاتر می‌رود. ضمن این که کلیه نکات مثبت روشهای موجود مانند غیر حساس بودن به چرخش و تغییرات روشنایی را دارد. روش ارائه‌شده با استخراج ویژگی‌های بیشتر از الگوهای ناهمگن به دقت بالاتری از طبقه‌بندی نسبت به روشهای مشهور و مهم دست یافته است. پیاده‌سازی روش ارائه‌شده روی پایگاه بافتی Outex این بهبود را نشان می‌دهد. پرونده مقاله -
دسترسی آزاد مقاله
18 - استخراج ویژگی‌ها و بسط لغت‌نامه در اندیشه‌کاوی مورد استفاده در متون فارسی
عفت گلپر رابوکی ساقی‌السادات ضرغامی‌فر جلال رضايي نوراندیشهکاوی به تحلیل اظهار نظرات کاربران جهت استخراج نظرات، احساسات و خواسته‌های کاربران در یک حوزه خاص می‌پردازد. دانستن نظرات افراد در یک حوزه خاص می‌تواند نقش مهمی در تصمیم‌گیری‌های کلان آن حوزه ایفا کند. به طور کلی اندیشه‌کاوی در سه سطح سند، جمله و ویژگی به استخراج چکیده کاملاندیشهکاوی به تحلیل اظهار نظرات کاربران جهت استخراج نظرات، احساسات و خواسته‌های کاربران در یک حوزه خاص می‌پردازد. دانستن نظرات افراد در یک حوزه خاص می‌تواند نقش مهمی در تصمیم‌گیری‌های کلان آن حوزه ایفا کند. به طور کلی اندیشه‌کاوی در سه سطح سند، جمله و ویژگی به استخراج نظرات کاربران می‌پردازد. اندیشه‌کاوی در سطح ویژگی به دلیل تحلیل جهت‌گیری جنبه‌های مختلف یک حوزه از دو سطح دیگر بیشتر مورد توجه قرار دارد. در این مقاله روشی به منظور استخراج ویژگی‌ها و بسط لغت‌نامه اندیشه‌کاوی ارائه شده است. این لغت‌نامه به منظور تعیین جهت‌گیری نظرات کاربران مورد استفاده قرار می‌گیرد. روش پیشنهادی شامل چهار گام اصلی است. در گام نخست لغت‌نامه اندیشه‌کاوی برای زبان فارسی ایجاد می‌شود. گام دوم مرحله پیش‌پردازش شامل تقطیع، ایجاد برچسب‌های ادات سخن و برچسب وابستگی نحوی اسناد است. گام سوم استخراج ویژگی‌ها و بسط لغت‌نامه با استفاده از روش انتشار دوگانه است و در گام چهارم ویژگی‌ها و قطبیت کلمات حاوی نظر استخراج‌شده در مرحله قبلی اصلاح شده و در نهایت قطبیت ویژگی‌ها تعیین می‌گردد. برای ارزیابی روش پیشنهادی، نتایج حاصل را با روش استخراج ویژگی بر اساس تکرار در متون فارسی که قبلاً ارائه شده است مقایسه خواهیم نمود. نتايج به دست آمده نشان مي‌دهد كه روش ارائه‌شده در اين مقاله نسبت به روش استخراج ویژگی بر اساس تکرار در متون فارسی عملكرد بهتري دارد. پرونده مقاله -
دسترسی آزاد مقاله
19 - تشخیص ناهنجاری در مسیرخودرو با استفاده از از آموزش لغت نامه و بازسازی تنک
ریحانه تقی زاده خانکوک عباس ابراهیمی مقدم مرتضی خادمیدر سامانه‌های کنترل ترافیک و ثبت تخلفات وسایل نقلیه همواره دستیابی به سامانه‌ای که بتوان با استفاده از آن به طور خودکار رفتارهای ناهنجار رانندگان را شناسایی کرد، چالشی اساسی به شمار می‌آید. در این تحقیق سامانه‌ای با مشخصات مذکور برای تشخیص ناهنجاری مسیر خودروها پیشنهاد چکیده کاملدر سامانه‌های کنترل ترافیک و ثبت تخلفات وسایل نقلیه همواره دستیابی به سامانه‌ای که بتوان با استفاده از آن به طور خودکار رفتارهای ناهنجار رانندگان را شناسایی کرد، چالشی اساسی به شمار می‌آید. در این تحقیق سامانه‌ای با مشخصات مذکور برای تشخیص ناهنجاری مسیر خودروها پیشنهاد گردیده که در آن ابتدا به استخراج ویژگی‌های زمانی- مکانی و تشکیل یک طبقه‌بند با کمک لغت‌نامه حاصل از آن ویژگی‌ها پرداخته می‌شود. طبقه‌بند از پردازش‌هایی چون خوشه‌بندی بهینه‌شده با الگوریتم جفت‌گیری زنبور عسل و پردازش تنک روی ویژگی‌های زمانی- مکانی حاصل از داده‌های آموزشی تشکیل می‌گردد. طبقه‌بند طراحی‌شده روی داده‌های آزمون، به منظور تشخیص ناهنجاری اعمال می‌شود. وجه تمایز این پژوهش نسبت به پژوهش‌های پیشین علاوه بر شیوه نوین در پیش‌پردازش صورت‌گرفته به منظور ایجاد ماتریس لغت‌نامه، تشخیص ناهنجاری بر پایه ارزیابی ماتریس حاصل از تعلق داده‌ها به هر طبقه است که منجر به دقت بالاتر روش پیشنهادی نسبت به سایر روشهای رقیب می‌شود. برای ارزیابی بهتر روش پیشنهادی، ابتدا آن را روی پایگاه داده UCSD و سپس روی دنباله‌های ویدئویی استخراج‌شده از عبور و مرور خودروها در ضلع شمالی دانشگاه فردوسی مشهد اعمال نموده و سپس نتایج حاصل، با نتایج سایر پژوهش‌های شناخته‌شده در این حوزه مقایسه می‌گردد. پرونده مقاله
رایمگ
سامانه رایمگ تمامی فرآیندهای دریافت، ارزیابی و داوری، ویراستاری، صفحه‌آرایی و انتشار الکترونیکی نشریات علمی را به انجام می‌رساند
پیوندهای سایت
مراکز مرتبط
پشتیبانی
صفحات رسمی
حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات رایمگ است.
حق نشر © 1403-1396