جستجوی مقالات مرتبط با کلیدواژه « dimension reduction » در نشریات گروه « فناوری اطلاعات »

تکرار جستجوی کلیدواژه «dimension reduction» در نشریات گروه «فنی و مهندسی»

انتخاب همه

Detection of Normal and Abnormal Human Activities for Video Surveillance

Amir Karbalaei Hassan *

International Journal of Academic Research in Computer Engineering, Volume:2 Issue: 1, May 2018, PP 40 -45

As the number of users of surveillance cameras increased in public places, the need was felt that the camera automatically recognize normal and abnormal activities were to quickly achieve higher detection and diagnosis without fatigue and human error can notify the protective forces. For this purpose, we introduce an integrated descriptor where the background and foreground information simultaneously apply Fourier transform to extract the information, we do feature extraction using Gabor filter to reduce the dimensions of a space and feature selection Maximum Relevance Minimum Redundancy (MRMR) use and the training and support vector machine classifier will recognize the activity. The advantages of this approach are the property of not separating foreground from background to meet the needs of Arbitration in Sport games as well and the use of classifiers using feature selection step and the speed and accuracy MRMR to reduce the dimensions noted.

Keywords: Activity Detection, Video Descriptor, Dimension Reduction, Feature Extraction, Monitoring}

Abstract View Paper Research/Original Article Original: English
کاهش حجم ذخیره سازی تصاویر با استفاده از تحلیل مولفه های اصلی دو بعدی تنک

زهرا یک کلام، فرح ترکمنی آذر

نشریه ماشین بینایی و پردازش تصویر، سال چهارم شماره 1 (بهار و تابستان 1396)، صص 57 -69

تحلیل مولفه های اصلی یکی از روش هایی است که در پردازش اطلاعات و کاهش ابعاد مجموعه داده موفق عمل کرده است؛ اما در زمان اعمال این الگوریتم به تصاویر، بایستی آن ها را به شکل یک بردار درآورد که سبب از بین رفتن همبستگی مکانی پیکسل های مجاور می گردد. برای حل این مشکل، تحلیل مولفه های اصلی دوبعدی مطرح شده که فرآیند تبدیل تصویر به بردار را نیاز ندارد. نکته ی دیگر، تنک نبودن بردارهای پایه ی تحلیل مولفه های اصلی و هم ارزش نبودن تمامی آنان است. اخیرا تحلیل مولفه های اصلی تنک مطرح گردیده که با حفظ خواص تحلیل مولفه های اصلی استاندارد، سعی می کند تعداد زیادی از درایه های بردارهای پایه را صفر کند. در این مقاله تحلیل مولفه های اصلی دوبعدی تنک جهت بهره گیری همزمان از دو الگوریتم فوق بررسی خواهد شد.
الگوریتم Least Angle Regression- Elastic Net با استفاده از قید نرم یک و نرم دو، محاسبه ی مولفه های اصلی یک بعدی تنک را محقق می سازد. در این مقاله با اندک تغییراتی در ورودی الگوریتم مذکور، حالت دوبعدی آن را تحقق می بخشیم. عملکرد تحلیل مولفه های اصلی دوبعدی تنک جهت فشرده سازی یک تصویرکه به بلوک های 8×8 تقسیم گردیده، ارزیابی شده و در مقایسه با عملکرد تحلیل مولفه های اصلی دوبعدی، نتایج مناسبی بدست آمده است. همچنین با استفاده از ماتریس کوواریانس بلوک های 8×8 از 60 تصویر متفاوت، مولفه های اصلی دوبعدی تنک به گونه ای محاسبه گردیده که امکان استفاده از آن ها برای هر تصویر آزمون دیگری میسر می باشد.

کلید واژگان: کاهش ابعاد تصاویر, تحلیل مولفه های اصلی دوبعدی, تحلیل مولفه های اصلی تنک, تحلیل مولفه های اصلی دوبعدی تنک}

چکیده مشاهده متن زبان: فارسی

Image Compression Using Two Dimensional Sparse Principal Component Analysis

Zahra Yekkalam, Farah Torkamani-Azar

Machine Vision and Image Processing, Volume:4 Issue: 1, 2017, PP 57 -69

The principal component analysis (PCA) is one of the procedures that have been a successful performance in signal processing and dimension reduction of the signals. However, a requirement in applying PCA to the images is converting images into a vector. This process leads to loss spatial locality information. To solve this problem, the two-dimensional PCA was proposed. Also, most recently the sparse principal component was introduced that not only keep the properties of standard PCA but also try to make a lot of elements of the basis vectors to zero. In this paper, inspired by the above two ideas, the two-dimensional sparse principal component analysis (2-D. SPCA) is proposed.
In this paper, the Least Angle Regression- Elastic Net formula, in addition, using l1 and l2 constraints is extended to two-dimensional model with a few minor changes in its input to approach 2-D. SPCA.
The two-dimensional sparse principal component analysis is evaluated in image compression. Before applying the algorithm, the image is divided into several blocks with resolution 8×8 and a database of these blocks is formed. Comparison the performance of 2-D. SPCA and Discrete Cosine transform, for the same number of elements that are necessary to save the image after the conversion shows the good performance of the proposed algorithm. In addition, the proposed algorithm is applied to 8×8 blocks of 60 images with different textures, and the resulted two-dimensional sparse principal components could be used for other test images with a suitable performance.

Keywords: Two-Dimensional Principal Component Analysis, Sparse Principal Component Analysis, Two-Dimensional Sparse Principal Component Analysis, Image Compression, Dimension Reduction}

Abstract View Paper Original: Persian
ارائه یک مدل فازی نقشه شناختی ربات متحرک با الهام از سلول های جهت سر و مکانی با رویکرد کاهش ابعاد

حسام عمرانپور، سعید شیری*

مجله رایانش نرم و فناوری اطلاعات، سال چهارم شماره 3 (پاییز 1394)، ص 139

در این مقاله یک مدل جدید برای نقشه ربات متحرک ارائه شده است. در این مدل از عملکرد سلولهای جهت سر در قشر postsubiculum الهام گرفته شده است. این مدل بر اساس اطلاعات بینایی ربات بنا نهاده شده است از اینرو ورودی مدل پیشنهادی تصویری است که ربات از محیط دریافت می کند. در مدل پیشنهادی لایه V1 از قشر بینایی مغز، با استفاده از فیلتر گابور با توجه به اینکه بافت تصاویر را به عنوان خروجی می دهد، مدل شده است. هیستوگرام فیلتر گابور تصاویربه عنوان ویژگی های تصاویر مورد استفاده قرار می گیرند. از اینرو مدل می تواند در محیطهای واقعی که حتی رنگهای محیط مشابه هستند به خوبی به کار گرفته شود. ابعاد داده های خروجی این لایه با استفاده از روش های کاهش بعد بدون ناظر، کاهش داده می شود. این مدل اولین مدلی است که با رویکرد کاهش بعد ارائه شده است. یکی از مشکلات مهم داده ها با ابعاد بالا، نفرین ابعادی است؛ لذا با استفاده از کاهش ابعاد، علاوه بر اینکه از حجم ذخیره سازی داده ها کاسته شود، بر این مشکل نیز فائق می آییم. از روش های کاهش ابعاد پایه مانند Kernel-PCA، PCA، ISOMAP و MDS و برای کاهش ابعاد استفاده می شود. یکی دیگر از نوآوری های مدل، استفاده از مدل فازی خوشه بندی است. این مدل موجب می شود تا با استفاده از تعداد محدودی سلول جهت سر بتوانیم در مرحله غیرفازی سازی به درونیابی در یافتن جهت واقعی سر ربات بپردازیم. در مدلهای پیشین مانند مدل توکوناگا و میلفرد با این محدودیت مواجه هستیم که فقط میتوان به تعداد سلولهای جهت سر، زاویه به عنوان خروجی تولید شود، اما در مدل پیشنهادی این مساله حل شده است. همچنین خروجی عملکرد این مدل برای سلولهای جهت سر مشابه با خروجی واقعی سلولهای جهت سر است که از آزمایشهای تجربی روی مغز بدست آمده است. در نتایج پیاده سازی مدل پیشنهادی ارزیابی و با روش های دیگر مقایسه شده است که در بیشتر موارد به نتایج با دقت بالاتری دست یافته ایم.

کلید واژگان: هیپوکمپ, کاهش ابعاد, نقشه, ربات متحرک, خوشه بندی فازی}

چکیده مشاهده متن زبان: فارسی

Represent a Fuzzy Cognitive Mobile Robot Map Inspired from Place Cells and Head Direction Cells with Dimension Reduction Approach

Hesam Omranpour, Saeed Shiry*

Journal of Soft Computing and Information Technology, Volume:4 Issue: 3, 2015, P 139

In this paper, a new model for mobile robot mapping is presented. The model is inspired by functionality of the cells of cortex postsubiculum layer. This model is based on visual information so, robot visual input from environment is considered as input of the model. 1 layer of visual cortex of the brain, is modelled by Gabor filter due to extracting image texture and Gabor filter histogram is used as image features. Therefore, the model can be used in real environments with similar colors. The output dimension of this layer is decreased using unsupervised basic dimension reduction techniques such as Kernel-PCA, PCA, ISOMAP and MDS. High-dimensional data suffer from problems called curse of dimensionality. By reducing the data dimension, in addition to the reduceddata volume storage, this problem is to overcome. To the best of our knowledge, the model is the first model that was developed with the purpose of dimension reduction. Another innovation is presentinga fuzzy clustering model. Using limited number of direction cells, the model makes interpolate possible to find robot head direction in defuzzification step. In previous models such as Tokonaga and Milford, output angels are limited to number of direction cells, while this constraint is resolved in the proposed model. The output of direction cells provided by the model are similar to the actual output of the direction cells that have been obtained from experimental tests on the brain. The implementation results of the proposed model is evaluated and compared with other methods. In most cases results show higher accuracy.

Keywords: Hippocampus, Dimension Reduction, Mapping, Mobile Robot, Fuzzy Clustering}

Abstract View Paper Original: Persian

نکته

نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.

به جمع مشترکان مگیران بپیوندید!

جستجوی مقالات مرتبط با کلیدواژه « dimension reduction » در نشریات گروه « فناوری اطلاعات »