ارائه یک بستر یادگیری عمیق نیمه نظارتی برای بازسازی سه بعدی چهره از یک تصویر دوبعدی

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 296

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JICTP-1-2_002

تاریخ نمایه سازی: 15 آذر 1400

چکیده مقاله:

در این مقاله یک بستر یادگیری عمیق نیمه نظارتی برای بازسازی سه بعدی از یک تصویر دوبعدی پیشنهاد شده است که در آن به منظور کاهش نیاز به برچسب سه بعدی و دوبعدی از دو بخش بدون نظارت از پیش آموزش داده شده استفاده شده است. بدین ترتیب با بهره گیری از بخش های آموزش دیده، به منظور آموزش کل شبکه، به داده برچسب دار کمتری نیاز است، علاوه بر اینکه با توجه به استفاده از داده به عنوان تنها منبع دانش برای یادگیری، نیازی به استفاده از فرض های مختلف در مورد چگونگی شکل گیری تصویر نخواهد بود. ایده اصلی در بستر پیشنهادی، یافتن نگاشتی بین فضای های بازنمایی با ابعاد پایین تر دوبعدی و سه بعدی می-باشد. بنابراین بستر پیشنهادی در این مقاله شامل بخش های بدون نظارت نگاشت از فضاهای دوبعدی و سه بعدی به بازنمایی های بعد پایین، و بخش نظارتی نگاشت بین بازنمایی های بعدپایین می باشد. نتایج ارزیابی و مقایسه بستر پیشنهادی با چند بستر مشابه موجود روی پایگاه های داده چهره ی انسان، نشان دهنده کارایی مطلوب بستر نیمه نظارتی پیشنهادی در بازسازی سه بعدی از یک تصویر دوبعدی است. این بستر می تواند قدمی مفید در جهت هوشمندسازی فعالیت نیروی انتظامی برای تشخیص چهره باشد.

کلیدواژه ها:

بازسازی سه بعدی از یک تصویر دوبعدی ، نگاشت بازنمایی دو بعدی به سه بعدی ، بازسازی سه بعدی نیمه نظارتی هوشمندسازی فعالیت ناجا با بازسازی سه بعدی ، یادگیری عمیق در بازسازی سه بعدی

نویسندگان

شیما کامیاب

دانشجوی دکترا کامپیوتر، دانشگاه شیراز

سیده زهره عظیمی فر

دانشیاردانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه شیراز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Aldrian O, Smith WA. Inverse rendering of faces with a ...
  • Mescheder, L., Oechsle, M., Niemeyer, M., Nowozin, S. and Geiger, ...
  • Tatarchenko, M., Richter, S.R., Ranftl, R., Li, Z., Koltun, V. ...
  • Xu, Q., Wang, W., Ceylan, D., Mech, R. and Neumann, ...
  • Xie, H., Yao, H., Sun, X., Zhou, S. and Zhang, ...
  • Fouhey DF, Gupta A, Zisserman A. Understanding higherorder shape via ...
  • Garrido P, Zollhöfer M, Casas D, Valgaerts L, Varanasi K, ...
  • Jiang L, Zhang J, Deng B, Li H, Liu L. ...
  • Kim K, Torii A, Okutomi M. Multi-view inverse rendering under ...
  • Patow G, Pueyo X. A survey of inverse rendering problems. ...
  • Rezende DJ, Eslami SA, Mohamed S, Battaglia P, Jaderberg M, ...
  • Richardson E, Sela M, Kimmel R. ۳D face reconstruction by ...
  • Tewari A, Zollhofer M, Kim H, Garrido P, Bernard F, ...
  • Thies J, Zollhofer M, Stamminger M, Theobalt C, Nießner M. ...
  • Tuan Tran A, Hassner T, Masi I, Medioni G. Regressing ...
  • Wang J, Che C, Galeotti J, Horvath S, Gorantla V, ...
  • Wood E, Baltrušaitis T, Morency LP, Robinson P, Bulling A. ...
  • Zhu X, Lei Z, Liu X, Shi H, Li SZ. ...
  • Krawczyk-StańDo, D. and Rudnicki, M., ۲۰۰۷. Regularization parameter selection in ...
  • Wolpert DH, Macready WG. No free lunch theorems for optimization. ...
  • Gao Y, Yuille AL. Exploiting symmetry and/or Manhattan properties for ...
  • Lun Z, Gadelha M, Kalogerakis E, Maji S, Wang R. ...
  • Piotraschke M, Blanz V. Automated ۳d face reconstruction from multiple ...
  • Jackson AS, Bulat A, Argyriou V, Tzimiropoulos G. Large pose ...
  • Paysan P, Knothe R, Amberg B, Romdhani S, Vetter T. ...
  • Huang GB, Mattar M, Berg T, Learned-Miller E. Labeled faces ...
  • Savran A, Alyüz N, Dibeklioğlu H, Çeliktutan O, Gökberk B, ...
  • Kim H, Zollhöfer M, Tewari A, Thies J, Richardt C, ...
  • نمایش کامل مراجع