پنج شنبه 28 تیر 1397 | Thursday 19 th of July 2018 صفحه اصلی گروه الکترونیکی کامپیوتر
عملکرد پیشنهاد شده

استفاده از الگوریتم ژنتیک برای انتخاب زیر مجموعه خصوصیات خوب برای بهبود اکتشاف شی پیشنهاد می شود. این یک هم سنجی برای رهیافت‌های معمول در نوشته‌ها است که همه خصوصیات یا یک زیر مجموعه انتخاب شده به صورت دستی یا بر اساس برخی اکتشافی‌ها را استفاده می کنند. یک کار اخیرViolaاست، در اینجا به طور افزایشی رده بندی کننده‌های پیچیده‌تر در یک شیوه ابشاری با استفاده از الگوریتم AdaBoost‌ ترکیب می شوند. فرایند ترقی و پیشرفت که انها استفاده می کردند یک رده بندی کننده ضعیف را در هر مرحله ابشاری که می‌توانند به عنوان یک فرایند انتخاب خصوصیات دیده شوند، انتخاب می‌کند. رهیافت پیشنهادی ساده، کلی و نیرومند است. کار پیشنهاد شده در اینجا همانندی‌هایی با کارSunو سایر همکارانش دارد، اگر چه، سایز دو کلاس در نظر گرفته شده در اینجا (شی یا غیر شی) در قانون خیلی متفاوت هستند.

برای اثبات رهیافت پیشنهادی‌، متد‌های کامل شناخته شده PCA‌ برای استخراج خصوصیات و SVM‌ برای رده بندی در نظر گرفته شده اند. استخراج خصوصیات با استفاده از PCA‌، توجه زیادی رادر ناحیه بینایی کامپیوتر[5]M.Yangجلب کرده است. استخراج خصوصیات با استفاده از PCA‌ ، نمایش یک تصویر را در یک بعد و اندازه پایین با اجزای اصلی ماتریس کواریانس اطلاعات در بردارد.

اگر چه، PCA‌ روشی را برای نمایش یک تصویر در روش بهینه فراهم می کند، چندین مطالعه نشان داده‌اند که همه eigenvectors‌ اصلی ، اطلاعات مفید را برای اهداف رده بندی رمزی نمی کنند.  Swets [5]D.‌ و سایر همکارانش گزارش کرده‌اند که چندین eigenvectorاصلی برای رمزی کردن بیشتر اطلاعات روشنایی و سایه روشن مناسب هستند. در اینجا GAs‌ برای انتخاب یک زیر مجموعه خصوصیات، از نمایش اندازه پایین تصویر با نادیده گرفتن eigenvector‌‌ های خاص استفاده می‌شوند که برای رمزی کردن اطلاعات مهم در مورد مفاهیم هدف مناسب نیستند. این چهارچوب روی دو مسئلهاکتشاف اشیاء سخت تست شده است: اکتشاف وسیله نقلیه و صورت.

  

Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26