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.
- 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.