فایل ورد کامل شبکه‌های عصبی رو‌ به جلو تعمیم‌یافته با وزن‌های تصادفی برای تشخیص چهره

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 شبکه‌های عصبی رو‌ به جلو تعمیم‌یافته با وزن‌های تصادفی برای تشخیص چهره،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۰ صفحه

تشخیص چهره در رشته تشخیص الگو و بینایی کامپیوتر، همیشه یک موضوع داغ بوده‌است. در حالت کلی، در فرایند تشخیص، تصاویر یا ویژگی‌ها معمولا به بردارها تبدیل می‌شوند. این روش معمولا منجر به ایجاد اعوجاج در اطلاعات همبستگی عناصر در بردارسازی یک ماتریس تصویر می‌شود. این مقاله یک کلاس‌بندی کننده با نام شبکه عصبی دو بعدی با وزن‌های تصادفی (۲D-NNRW) می‌شود که می‌تواند از داده ماتریسی بعنوان یک ورودی مستقیم استفاده کرده و از ساختار ماتریس تصویر محافظت کند. در حالت خاص، کلاس بندی‌ کننده پیشنهاد شده از بردارهای projection چپ و راست برای جایگزینی با وزن ورودی با ابعاد بالا در لایه مخفی به منظور حفظ اطلاعات همبستگی عناصر استفاده کرده، و ایده شبکه عصبی با وزن‌های تصادفی (NNRW) را به منظور یادگیری همه پارامترها اتخاذ می‌کند. آزمایشات انجام شده بر روی پایگاه داده‌های معروف حاکی از آن است که کلاس‌بندی کننده ۲D-NNRW پیشنهاد شده می‌تواند خاصیت ساختاری تصویر صورت را مجسم کرده (در برداشته) و دارای کارایی خوبی برای تشخیص چهره می‌باشد.

کلمات کلیدی: تشخیص چهره | کلاس‌بندی‌کننده | شبکه عصبی با وزن‌های تصادفی | (NNRW) | داده ماتریسی

عنوان انگلیسی:

Extended feed forward neural networks with random weights for face recognition

~~en~~ writers :

Jing Lu, Jianwei Zhao, Feilong Cao

Face recognition is always a hot topic in the field of pattern recognition and computer vision. Generally,
images or features are often converted into vectors in the process of recognition. This method usually
results in the distortion of correlative information of the elements in the vectorization of an image
matrix. This paper designs a classifier called two dimensional neural network with random weights (2DNNRW) which can use matrix data as direct input, and can preserve the image matrix structure.
Specifically, the proposed classifier employs left and right projecting vectors to replace the usual high
dimensional input weight in the hidden layer to keep the correlative information of the elements, and
adopts the idea of neural network with random weights (NNRW) to learn all the parameters.
Experiments on some famous databases validate that the proposed classifier 2D-NNRW can embody
the structural character of the face image and has good performance for face recognition.

Keywords: Face recognition | Classifier | Neural network with random weights (NNRW) | Matrix data

$$en!!