طبقه بندی جنسیتی با استفاده از مدل پیشنهادی مبتنی بر CNN و بهینه سازی کلونی مورچه ها

طبقه بندی جنسیتی با استفاده از مدل پیشنهادی مبتنی بر CNN و بهینه سازی کلونی مورچه ها

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 36

تعداد کلمات : 12000

مجله : mathematics

انتشار : 2021

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
27 ژانویه 2022
دسته بندی
تعداد بازدیدها
1173 بازدید
37,000 تومان
دانلود اصل مقاله

عنوان فارسی مقاله:طبقه بندی جنسیتی با استفاده از مدل پیشنهادی مبتنی بر CNN و بهینه سازی کلونی مورچه ها

 چکیده

  طبقه بندی جنسیتی عابر پیاده یکی از تکالیف کلیدی مطالعه عابر پیاده است و کاربردهای عملی در بازیابی تصاویر مبتنی بر محتوا، آمار جمعیت، تعامل انسان و رایانه، مراقبت های بهداشتی، سیستم های بازیابی چند رسانه ای،  جمعیت شناسی و نظارت بصری پیدا می کند. در این کار پژوهشی، طبقه بندی جنسیتی با استفاده از رویکرد یادگیری عمیق انجام شد. یک معماری ۶۴ لایه جدید به نام ۴-BSMAB که از AlexNet عمیق مشتق شده است پیشنهاد شده است. مدل پیشنهادی بر روی مجموعه داده CIFAR-100 با استفاده از طبقه‌بندی کننده SoftMax آموزش داده شد. سپس ویژگی‌ها از مجموعه داده‌های کاربردی با این مدل از پیش آموزش‌دیده به‌دست آمد. مجموعه ویژگی های به دست آمده با تکنیک بهینه سازی سیستم کلونی مورچه ها (ACS) بهینه شد. طبقه‌بندی‌کننده‌های مختلف SVM و KNN برای انجام طبقه‌بندی جنسیتی با استفاده از مجموعه ویژگی‌های بهینه‌شده استفاده شد. آزمایش جامع بر روی مجموعه داده‌های طبقه‌بندی جنسیتی انجام شد و مدل پیشنهادی نتایج بهتری نسبت به روش‌های موجود داشت. مدل پیشنهادی به بالاترین دقت، یعنی ۸۵٫۴% و ۹۲% AUC در مجموعه داده MIT، و بهترین نتایج طبقه‌بندی، یعنی ۹۳% دقت و ۹۶% AUC، در مجموعه داده PKU-Reid دست یافت. نتایج آزمایش‌های گسترده انجام شده بر روی مجموعه داده‌های استاندارد عابر پیاده نشان می‌دهد که چارچوب پیشنهادی از روش‌های طبقه‌بندی جنسیتی عابر پیاده بهتر عمل می‌کند، و نتایج قابل قبول مدل پیشنهادی را به عنوان یک مدل قوی ثابت می‌کند.

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Gender Classification Using Proposed CNN-Based Model and Ant Colony Optimization

Abstract

 Pedestrian gender classification is one of the key assignments of pedestrian study, and it finds practical applications in content-based image retrieval, population statistics, human–computer interaction, health care, multimedia retrieval systems, demographic collection, and visual surveillance.In this research work, gender classification was carried out using a deep learning approach. A new 64-layer architecture named 4-BSMAB derived from deep AlexNet is proposed. The proposed model was trained on CIFAR-100 dataset utilizing SoftMax classifier. Then, features were obtained from applied datasets with this pre-trained model. The obtained feature set was optimized with ant colony system (ACS) optimization technique. Various classifiers of SVM and KNN were used to perform gender classification utilizing the optimized feature set. Comprehensive experimentation was performed on gender classification datasets, and proposed model produced better results than the existing methods. The suggested model attained highest accuracy, i.e., 85.4%, and 92% AUC on MIT dataset, and best classification results, i.e., 93% accuracy and 96% AUC, on PKU-Reid dataset. The outcomes of extensive experiments carried out on existing standard pedestrian datasets demonstrate that the proposed framework outperformed existing pedestrian gender classification methods, and acceptable results prove the proposed model as a robust model.