Artificial Intelligence - هوش مصنوعی

Artificial Intelligence - هوش مصنوعی (http://artificial.ir/intelligence/)
-   پردازش تصوير(Image Processing) (http://artificial.ir/intelligence/forum67.html)
-   -   فیلتر گابور (http://artificial.ir/intelligence/thread11631.html)

zeyinab ۰۲-۱۲-۱۳۹۲ ۰۲:۱۲ بعد از ظهر

فیلتر گابور
 
سلام
ببخشید برای یه مقاله شناسایی تصویر که آدرسش در زیر اومده از شبکه عصبی استفاده شده که ورودی شبکه عصبی بردار ویژگی است که برپایه فیلتر گابور فوریه بدست آمده
فیلتر گابور فوریه در این مقاله از 40 هسته با 8جهت و مقیاس 5 تشکیل شده که در الگوریتم تعریف شده در مقاله هر تصویر پایگاه داده را با 40 هسته فیلتر می کند و در نهایت یک تصویر 32*32*5*8 از زیر تصویرهایی که در مرحله پیش بدست آمده بدست آورده
سوال من اینه که این تصویر چجوری بدست اومده؟
لینک مقاله:
دانلود IJCSS 502 pdf

raha_hakhamanesh ۰۲-۱۲-۱۳۹۲ ۰۲:۳۶ بعد از ظهر

نقل قول:

نوشته اصلي بوسيله zeyinab (پست 28591)
سلام
ببخشید برای یه مقاله شناسایی تصویر که آدرسش در زیر اومده از شبکه عصبی استفاده شده که ورودی شبکه عصبی بردار ویژگی است که برپایه فیلتر گابور فوریه بدست آمده
فیلتر گابور فوریه در این مقاله از 40 هسته با 8جهت و مقیاس 5 تشکیل شده که در الگوریتم تعریف شده در مقاله هر تصویر پایگاه داده را با 40 هسته فیلتر می کند و در نهایت یک تصویر 32*32*5*8 از زیر تصویرهایی که در مرحله پیش بدست آمده بدست آورده
سوال من اینه که این تصویر چجوری بدست اومده؟
لینک مقاله:
دانلود ijcss 502 pdf


سلام
اونچه من در این مقاله مختصرا مشاهده کردم اینه که:

فرض کنیم یک تصویر ورودی داریم، این تصویر ابتدا کوچک سازی شده تا در اندازه مناسب (32*32) تبدیل بشه بنابراین تا اینجا یک تصویر استاندارد شده (بلحاظ اندازه) داریم

از طرف دیگر 40 فیلتر گابور انتخاب شده که مسلما کانوالو کردن هر کدام از آنها در تصویر استاندارد شده، یک خروجی خواهد داشت یعنی برای هر ورودی 40 (8*5) تصویر پردازش شده داریم هر تصویر ورودی هم در اندازه 32*32 بوده است پس

بطور کلی به ازای هر تصویر ورودی یک بردار (تصویر) خروجی با اندازه 32*32*8*5 (یا 40 تصویر کانوالو شده) خواهیم داشت.

همچنین پیشنهاد می کنم مقالات معتبرتری را برای مطالعه انتخاب کنید البته این بدین معنی نیست که مقاله جاری معتبر نیست ولی حالا که وقت میگذارید سعی کنید بر روی مقالات باارزش تر وقت بگذارید.

موفق باشید

zeyinab ۰۲-۱۳-۱۳۹۲ ۱۰:۳۸ بعد از ظهر

سلام
ممنون
یعنی باید 40 تا عکس رو توی یه ماتریس 8*5 بریزیم که هر آرایش یک cell است وبعد درایه های این ماتریس رو به ورودی شبکه عصبی بدم؟یعن شبکه عصبی که در این پروژه اومده 40 تا ورودی داره دیگه
در مورد پیشنهادتون اینکه درست می فرمایید ولی این پروژه پایانی یکی از درسام می یاشد برا همین خیلی سخت نگرفتم همچنین بنده تازه کارم و اولین باره یه مقاله پیاده سازی می کنم
با تشکر

raha_hakhamanesh ۰۲-۱۴-۱۳۹۲ ۰۳:۰۴ بعد از ظهر

نقل قول:

نوشته اصلي بوسيله zeyinab (پست 28615)
سلام
ممنون
یعنی باید 40 تا عکس رو توی یه ماتریس 8*5 بریزیم که هر آرایش یک cell است وبعد درایه های این ماتریس رو به ورودی شبکه عصبی بدم؟

بله،

نقل قول:

نوشته اصلي بوسيله zeyinab (پست 28615)
یعن شبکه عصبی که در این پروژه اومده 40 تا ورودی داره دیگه

بله، میتونه 40 تا ورودی داشته باشه

در نهایت با توجه به اینکه می فرمایید این اولین کارتون است باید بگم کار خیلی خوبی رو دارید پیش می برید.

موفق باشید

zeyinab ۰۲-۱۸-۱۳۹۲ ۰۹:۳۹ بعد از ظهر

کاهش بعد
 
ببخشید یه سوال دیگه که در مورد این مقاله داشتم اینه که چجوری کاهش بعد رو با Johnson-Lindenstrauss lemma از n بعد به kبعد کاهش داده و s چیست و چگونه بدست می آمد
اگه یکم توضیح بدین ممنون میشم

zeyinab ۰۲-۱۸-۱۳۹۲ ۱۰:۲۷ بعد از ظهر

کاهش بعد
 
آیا در اینجا باید هر تصویرمون که دارای اندازه n=32*32 است و بعد D-2 به k کاهش دهیم؟
چگونه باید این کار را انجام دهیم؟
ممنون میشم جواب بدین

zeyinab ۰۲-۱۸-۱۳۹۲ ۱۱:۱۳ بعد از ظهر

کاهش بعد
 
متوجه شدم که این کاهش بعد رو می خواد روی بردار ویژگی گابور انجام بده
آیا این یعنی d=40 را می خواهد کاهش دهد؟آیا منظور از n اندازه هر هسته گابور یعنی 16*16 است؟
اگه میشه بفرمایید این کاهش بعد چجوری انجام میشه؟
ممنون

zeyinab ۰۲-۱۸-۱۳۹۲ ۱۱:۴۴ بعد از ظهر

ادامه
 
:10: تا اینجا متوجه شدم که کاهش بعد به این صورت انجام میشه:
ماتریس n*d رو در d*k ضرب میکنه
که درایه های ماتریس d*k هستند rij
فقط کافیست یکی بهم بگه این درایه ها یعنی rijها چجوری مشخص میشن دیگه حله


زمان محلي شما با تنظيم GMT +3.5 هم اکنون ۰۲:۵۷ قبل از ظهر ميباشد.

Powered by vBulletin® Version 3.8.3
Copyright ©2000 - 2025, Jelsoft Enterprises Ltd.
Search Engine Friendly URLs by vBSEO 3.1.0 ©2007, Crawlability, Inc.