کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
10326724 | 679567 | 2016 | 13 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Joint probabilistic approach for real-time face recognition with transfer learning
ترجمه فارسی عنوان
رویکرد احتمال احتمالی برای تشخیص چهره در زمان واقعی با یادگیری انتقال
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
به موقع، شریک ربات، تشخیص چهره، احتمالاتی انتقال یادگیری،
ترجمه چکیده
تشخیص چهره بخشی جدایی ناپذیر در تعامل شریک ربات با موضوع انسانی است. با وظیفه مورد انتظار، شناسایی چهره باز جهان باید در محیط بدون کنترل و بدون همکاری در زمان واقعی بدون اعمال فشار بر پردازنده های کم توان خود انجام شود. با مفهوم فضای اطلاعاتی که در آن نمونه های اضافی می توانند در ساخت پیش ساز برای تشخیص کمک کنند، روش جسم احتمالی مشترک برای دقت، سادگی و شفافیت در دست دادن داده ها مورد استفاده قرار می گیرد. یک سیستم بر مبنای روش ساخته شده است که امکان انتقال یادگیری از حوزه های مختلف و یادگیری سازگار در زمان واقعی را برای جمع آوری اطلاعات مستمر فراهم می کند. نتیجه تست نشان می دهد که این روش می تواند در مقایسه با سایر روش های ایجاد شده در زیر تعداد کم تعداد نمونه اولیه، خوب عمل کند. نتیجه تست در یادگیری تطبیقی نور را به جهت طراحی آینده بیاندازید.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Face recognition is an integral part in robot partner's interaction with its human subject. With the task expected, open universe scenario face recognition needs to be performed under uncontrolled and uncooperative environment in real-time without imposing strain on its low powered processors. With the concept of informationally structured space where additional samples can contribute to constructing the prior for recognition, joint probabilistic face method is used for its accuracy, simplicity and transparency in data handling. A system is built upon the method that enables transfer learning from across different domains and real-time adaptive learning for continual information collection. Test result shows that the approach can perform well compared to other established methods under low number of prototype number. Test result on adaptive learning sheds light to the direction of future design.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Robotics and Autonomous Systems - Volume 75, Part B, January 2016, Pages 409-421
Journal: Robotics and Autonomous Systems - Volume 75, Part B, January 2016, Pages 409-421
نویسندگان
Noel Nuo Wi Tay, János Botzheim, Naoyuki Kubota,