فایل ورد کامل یادگیری نمونه های اولیه و شباهت ها در منیفولد گرسمن برای تشخیص حالت بی اختیار

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل یادگیری نمونه های اولیه و شباهت ها در منیفولد گرسمن برای تشخیص حالت بی اختیار،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۲ صفحه

شناسایی حالت خودکار مبتنی بر ویدئو یک کار چالش برانگیز با توجه به تفاوت های زیاد درون فردی از هر دو روش حالت و نرخ اجرای برای بیان همان طبقه است. کلیدی ترین روش ارائه قوی کاوش است که به طور موثر می تواند تغییرات صورت را ضبط کرده و همچنین تاثیر شخصیت را کاهش دهد. در این مقاله، ما برای یادگیری یک نوع از الگو معمول ارائه می دهیم که می تواند معمولا توسط افراد مختلف هنگام انجام عبارت، یعنی “نمونه”به اشتراک گذاشته شود. به طور خاص، ما برای اولین بار یک مدل آماری (به عنوان مثال شبه فضا خطی) را در مناطق صورت برای تولید الگوهای بیان خاص برای هر ویدیو بکار می بریم. سپس یک الگوریتم خوشه بندی که در تمام الگوهای بیان بکار می گیریم و ابزار خوشه به عنوان “نمونه” در نظر گرفته. بر این اساس، ما بعدا ویژگی های “تشبیه” را برای اندازه گیری شباهت الگوهای خاص شخصی برای یادگیری “نمونه” طراحی می کنیم. هر دو روش در گرسمن بکار گرفته می شود، که می تواند از ویژگی های روش رمزگذاری پشتیبانی می کند و ساختار داده ها را با معرفی ژئودزیک ذاتی بهتر نشان دهد. آزمایش های گسترده در هر دو پایگاه داده فشرده بیان ژست و خودکار انجام می شود. همه نتایج نشان می دهد که روش ما بهتر از تکنولوژی جدید است، و همچنین دارای توانایی انتقال خوب تحت طرح متقابل پایگاه داده است.

کلمات کلیدی: بیان نمونه | بازنمایی تشابه | مانیفولد گرسمن | تشخیص حالت بی اختیار

عنوان انگلیسی:

Learning prototypes and similes on Grassmann manifold for spontaneous expression recognition

~~en~~ writers :

Mengyi Liu, Ruiping Wang, Shiguang Shan, Xilin Chen

Video-based spontaneous expression recognition is a challenging task due to the large inter-personal variations of both the expressing manners and the executing rates for the same expression category. One of the
key is to explore robust representation method which can effectively capture the facial variations as well as
alleviate the influence of personalities. In this paper, we propose to learn a kind of typical patterns that can
be commonly shared by different subjects when performing expressions, namely “prototypes”. Specifically,
we first apply a statistical model (i.e. linear subspace) on facial regions to generate the specific expression
patterns for each video. Then a clustering algorithm is employed on all these expression patterns and the
cluster means are regarded as the “prototypes”. Accordingly, we further design “simile” features to measure
the similarities of personal specific patterns to our learned “prototypes”. Both techniques are conducted on
Grassmann manifold, which can enrich the feature encoding manners and better reveal the data structure
by introducing intrinsic geodesics. Extensive experiments are conducted on both posed and spontaneous expression databases. All results show that our method outperforms the state-of-the-art and also possesses
good transferable ability under cross-database scenario.

Keywords: Expression prototype | Simile representation | Grassmann manifold | Spontaneous expression recognition

$$en!!