پروپوزال شبیه سازی سامانه ترکیبی تشخیص و همسونهی چهره با استفاده از شبکه های کانولوشنی آبشاری چندکاره

این پروپوزال با موضوع "شبیه سازی سامانه ترکیبی تشخیص و همسونهی چهره با استفاده از شبکه های کانولوشنی آبشاری چندکاره" می باشد. فایل  Word, Pdf پس از خرید محصول، قابل دانلود است. همچنین تعداد صفحات این پروپوزال 5 صفحه با رعایت قالب استاندارد دانشگاه می باشد. کلیه نکات نگارشی مطابق با استاندارهای پژوهشی انجام شده است.

امکانات اصلی این پروپوزال پس از خرید عبارتند از:
  امکان دانلود فایل Word پروپوزال
  امکان دانلود فایل Pdf پروپوزال

توجه : در صورت نیاز به پایان نامه، پروپوزال یا شبیه سازی مشابه با این محصول و همچنین اصلاحات پس از خرید کافی است با تیم پشتیبانی "ناب تزیز" از طریق پیامک یا واتساپ ارتباط برقرار نمایید.

با وسعت استفاده از گوشی های هوشمند و شبکه های تلفن همراه، میلیون ها عکس هر روز برای ذخیره سازی در ابر مانند دراپ باکس  و یا شبکه های اجتماعی  مانند فیس بوک، اینستاگرام و غیره بارگذاری می شوند. سازماندهی و بازیابی اطلاعات مربوطه از این عکس ها بسیار چالش برانگیز و به طور مستقیم تحت تاثیر تجربه کاربر در آن سیستم عامل است. به عنوان مثال، کاربران معمولا در جستجوی عکس هایی هستند که در یک مکان خاص، در یک زمان خاص، و یا با یک دوست خاص گرفته شده است. دو پرسش قبلی نسبتا ساده است، تقریبا همه دوربین های امروزی زمان و موقعیت جی پی اس را در عکس ها جاسازی می کنند.  آخرین پرسش، جستجوهای متنی هستند که چالش برانگیزترند، زیرا که هیچ نشانی از هویت آشکار و صریح افراد وجود نداردو راه حل برای این شناسایی تشخیص چهره انسان است و تشخیص سریع و دقیق صورت یک جزء ضروری برای سیستم عامل های مبتنی بر ابر برای  اشتراک گذاری/ ذخیره سازی عکس است .شبکه های عصبی کانولوشن به پیشرفت قابل ملاحظه ای در انواع کارهای بینایی کامپیوتر، مانند طبقه بندی تصویر و شناسایی صورت  دستیابی پیدا کرده اند و آنها برای به رسمیت شناختن ویژگی های صورت برای به دست آوردن پاسخگویی بالا در مناطقی از صورت که پنجره های کاندید حاصل از صورت را آموزش می دهند، مناسب است. شبکه های عصبی کانولوشن از طریق انتشار رو به عقب  لایه های فیلتر کانولوشن و عملیات های دیگر از قبیل ادغام و اصلاح انجام می شود . به سه کار طبقه بندی صورت/غیرصورت و محدود کردن رگرسیون کادر و تعیین محل برجستگی های صورت برای آموزش CNN تکیه می شود.
تشخیص و همسونهی چهره برای برنامه های کاربردی مربوط به چهره ی زیادی از قبیل شناسایی چهره و تجزیه تحلیل حالت صورت ضروری هستند. چیدمان چهره یا به عبارت دیگر تعیین محل یک مجموعه از برجستگی های صورت از قبیل مرکز مردمک های چشم یا نوک بینی در یک تصویر صورت، یک موضوع خوبی است که در ادبیات بینایی کامپیوتر مورد مطالعه قرار گرفته است و علاقه به تعیین محل خودکار برجستگی ها در بسیاری از برنامه های مهم از قبیل تشخیص چهره، انیمیشن صورت و درک حالت صورت نهفته است. با این حال، تغییرات بصری زیادی از چهره مانند: انسداد، تغییرات ژست فراوان و سایه روشن های شدید، چالش های بزرگی را برای این وظایف در برنامه های کاربردی در دنیای واقعی تحمیل می کنند. این روش ها به طور قابل توجهی وقتی که انسداد سنگین روی تصویر اعمال شوند بدتر خواهند شد، زیرا آن مدل ها نمی توانند ویژگی های به کار رفته به علت انسداد را به کار ببرند و این مشکل برای آنها چالش برانگیز است و واقعیت این است که تصاویر صورت در دنیای واقعی غالباً با اشیائی مانند:عینک آفتابی، مو، دست، شال و دیگر اقلام غیرقابل پیش بینی مسدود شده اند .در تشخیص چهره در دنیای واقعی آنها خواستار یک مدل جداکننده پیشرفته برای تمایز با دقت چهره از پس زمینه هستند. در نتیجه، مدل های موثر برای این مشکل، تمایل به محاسباتی سنگین دارند. برای پرداختن به این دو چالش متضاد، یک معماری آبشاری روی شبکه های عصبی کانولوشن با قابلیت تمایز بسیار زیاد و حفظ عملکرد بالا ساخته شده است که شبکه عصبی کانولوشن آبشاری در رزولوشن های گوناگون عمل می کنند، به سرعت نواحی پس زمینه در مراحل رزولوشن پایین سریع را رد می کند و تعداد کمی از کاندیدها در آخرین گام رزولوشن بالا را با دقت ارزیابی می کند. به منظور بهبود اثربخشی محلی سازی و کاهش تعدادی از کاندیدها در مراحل بعد، یک مرحله کالیبراسیون برای CNN، بعد از هریک از مراحل تشخیص در آبشار به کار می رودو خروجی هر گام کالیبراسیون برای تنظیم موقعیت پنجره تشخیص برای ورود به گام بعدی استفاده می شود. آبشار تقویت شده یک مجموعه ای از ویژگی های ساده را برای دستیابی به طبقه بندی دقیق صورت در برابر غیرصورت را می سازد. تعداد مراحل آبشار مورد نیاز برای رسیدن به دقت مشابه را می توان کاهش داد. از این رو محاسبات کلی ممکن است همان باقی بماند یا حتی به دلیل مراحل آبشار کمتر، کاهش یابد . در این کار استفاده از شبکه های عصبی کانولوشن برای تشخیص صورت پیشنهاد می شود که در مقایسه با ویژگی های قبلی، CNN می تواند به طور خودکار ویژگی ها را برای گرفتن تغییرات بصری پیچیده با بهره گیری از یک مقدار زیادی از داده های اموزش و مرحله ی آزمون، آن می تواند به راحتی بر روی هسته  GPUبرای تسریع موازی کند. به طور خاص در روش ارائه شده از یک معماری آبشاری با سه مرحله از شبکه های کانولوشن عمیق با دقت طراحی شده برای پیش بینی چهره و تعیین محل برجستگی در شیوه ای درشت به ظریف است و می توان با استفاده از شناسایی ویژگی های صورت به عنوان یک کار کمکی عملکرد همسونهی چهره با استفاده از شبکه عصبی کانولوشن عمیق را بهبود بخشید .