ترجمه مقاله(Deep learning-based intelligent face recognition in IoT-cloud environment)(شناسایی شاخص مبتنی بر یادگیری عمیق در محیط IoT ابری)

عنوان فارسی مقاله : شناسایی شاخص مبتنی بر یادگیری عمیق در محیط IoT ابری

مقاله با عنوان Deep learning-based intelligent face recognition in IoT-cloud environment را از اینجا دانلود کنید.

پشتیبانی: دارد. در صورت هرگونه مشکل با شماره 09367938018 در واتس اپ یا تلگرام و یا جهت سفارش ترجمه مقاله با پشتیبانی به شماره 09191732587 در واتس اپ یا تلگرام تماس حاصل فرمایید.

کیفیت محصول: عالی

قیمت: 15000 تومان

ژورنال:Elsevier

سال مقاله: 2020

چکیده:

امروزه فناوری اینترنت اشیا به نام lot در موارد زیادی چون مسائل بهداشتی، تصویری، حمل و نقل و مسائل دیگر استفاده میشود. توسعه اینترنت اشیا در این مساعل باعث تولید اطلاعات جدید میشود. مثلا دستگاه های اینترنت اشیا موجود در دوربین در مکانی چون بیمارستان موجب تولید عکسهای فراوان می‌شود. فناوری اینترنت اشیا در تشخیص چهره بسیار کاربرد دارد و می‌تواند برای امنیت بیمارستان و بررسی احساسات بیماران در بیمارستان مورد استفاده قرار گیرد. این سیستم ها به صورت اتوماتیک در محیط با دقت بالایی به کار می‌روند.  این سیستم ها در محیط هایی که کنترل نشده هستند دقت بالایی ندارند. در این مقاله، یک مدل خودکار درخت را در محیط ابر پیشنهاد می‌دهد. این مدل به خاطر دقت بالایی که دارد از هزینه ی کم تری برخوردار است. این مدل از چند درخت ساخته شده است. یک درخت با تعداد شاخه ها و ارتفاعش مشخص و تعریف می‌شود. هر شاخه با یک تابع مشخص چون تابع غیر خطی تعریف می‌شود. این مدل پیشنهادی یک مدل رایج است که در دسترس همه قرار دارد. برای تشخیص چهره از پیشرفته ترین مدل ها استفاده می‌شود. این مدل های پیشنهادی در مراکز اطلاعاتی حدود 65/98،9/19،84/95 درصد را کسب کرده است.

مقدمه:

در سال های اخیر، شناخت سنسورهای هوشمند اینترنت اشیا باعث افزایش حجم اطلاعات شده است. اکثر این داده ها ناهمگن و پراکنده هستند. پردازش این داده ها در بعضی مواقع سخت و نگران کننده است. فرض کنید شخصی قرار است در محیطی چون فرودگاه شناسایی شود در این حالت این دوربین ها تصاویر زیادی از اشیا و انسان را ضبط می‌کنند و به طور مداوم از تمام صحنه ها عکس می‌گیرند. تمام این داده ها و عکس ها باید در یک فضای ابری شناسایی و بررسی شود.

تشخیص چهره یکی از قدیمی ترین نرم افزارها برای جستجوی چیزی است. و برای امنیت از آن استفاده می‌کنند. سیستم های تشخیص چهره اولیه به ویژگی های سنتی و قدیمی متکی بودند. برخی از شاخص های سیستم های قدیمی  شامل الگوی دودویی محلی (LBP) ، توصیف کننده های محلی وبر (WLD) ، تجزیه و تحلیل مولفه اصلی (PCA) و هیستوگرام شیب های گرا (HOG) است.

طبقه بندی های سنتی شامل ماشین بردار پشتیبانی (SVM) ، تجزیه و تحلیل تفکیک خطی (LDA) ، و برخی از حداقل طبقه بندی های مبتنی بر دور است.  این ویژگی ها و طبقه بندی کننده ها در یک محیط کنترل شده ، جایی که چهره ها اغلب از جلو به خوبی مشخص نیستند و نور چندان خوبی ندارند استفاده می‌شوند.

با این حال ، در بسیاری از برنامه های کاربردی مانند آنهایی که مربوط به نظارت هستند ، تصاویر چهره ممکن است پنهان باشند ، از جلو نباشند و دارای وضوح پایین و تنوع زیاد نور باشند.  برای این برنامه ها ، سیستم های تشخیص چهره سنتی ممکن است به درستی کار نکنند.

Abstract

In recent years, the Internet-of-Things (IoT) technology is being used in many application areas such as healthcare, video surveillance, transportation etc. The massive adoption and growth of IoT in these areas are generating a massive amount of data. For example, IoT devices such as cameras are generating a huge amount of images when used in hospital surveillance scenarios. Here, face recognition is an important element that can be used for securing hospital facilities, emotion detection and sentiment analysis of patients, detecting patient fraud, and hospital traffic pattern analysis. Automatic and intelligent face recognition systems have high accuracy in a controlled environment; however, they have low accuracy in an uncontrolled environment. Also, the systems need to operate in real-time in many applications such as smart healthcare. This paper suggests a tree-based deep model for automatic face recognition in a cloud environment. The proposed deep model is computationally less expensive without compromising the accuracy. In the model, an input volume is split into several volumes, where a tree is constructed for each volume. A tree is defined by its branching factor and height. Each branch is represented by a residual function, which is constituted by a convolutional layer, a batch normalization, and a non-linear function. The proposed model is evaluated in various publicly available databases. A comparison of performance is also done with state-of-the-art deep models for face recognition. The results of the experiments demonstrate that the proposed model achieved accuracies of 98.65%, 99.19%, 95.84% on FEI, ORL, and LFW databases, respectively.

Introduction
The introduction of many Internet of Things (IoT) and smart body sensors has increased the volume of data significantly in recent years. The nature of the data is heterogeneous and sparse in most of the cases. The processing of Big Data is a matter of concern for realtime applications [1–3]. Consider a scenario where a person is to be recognized in an airport where there are many sensor cameras. These cameras capture images of many objects including humans in their focus areas, and these are capturing images continuously. This huge amount of image data should be processed in a meaningful way in a cloud environment so that a specified person can easily be recognized. Face recognition is one of the oldest yet a dynamic topics of research. It is necessary for security and biometric applications. Early face recognition systems relied on manual features and traditional classifiers. Some hand-crafted features include local binary pattern (LBP), Weber local descriptors (WLD), principal component analysis (PCA), and histogram of oriented gradients (HOG). Traditional classifiers include support vector machines (SVM), linear discriminant analysis (LDA), and some minimum distant-based classifiers. These features
and classifiers work well in a controlled environment, where faces are mostly frontal and with a neutral expression, and having less variation of illumination. However, in many applications such as those related to surveillance, face images may be occluded, not frontal, and having low resolution and high variation of illumination. For these applications, the traditional face recognition systems may not work properly. Deep learning is a powerful machine learning technique that has been successfully used in many signal processing applications. The applications include speech and speaker recognition, image recognition [4], and video recognition. Since the introduction of deep learning, many architectures have been proposed in the literature. These architectures differ in many aspects such as the number of layers, the number of filters, the size of filters, and the arrangement of layers.

جدید ترین ها

جدید ترین محصولات ما

محصولات بیشتر
ترجمه مقاله Droplet and creaming stability of fish oil-loaded gelatin/surfactant-stabilized emulsions depends on both the adsorption ways of emulsifiers and the adjusted pH (قطره و پایداری خامه سازی امولسیون های ژلاتینی یا  سورفاکتانت تثبیت شده با روغن ماهی به هر دو روش جذب جذب امولسیون کننده ها و pH تنظیم شده بستگی دارد)

ترجمه مقاله Droplet and creaming stability of fish oil-loaded gelatin/surfactant-stabilized emulsions depends on both...

15000 تومان

ترجمه مقاله A qualitative model of patterns of resilience and vulnerability in responding to a pandemic outbreak with system dynamics  (یک مدل کیفی از الگوهای انعطاف پذیری و آسیب پذیری در پاسخ به شیوع همه گیر با پویایی سیستم)

ترجمه مقاله A qualitative model of patterns of resilience and vulnerability in responding to...

15000 تومان

ترجمه مقاله Potential of Silver-Kaolin in Gelatin Composite Films as Active Food Packaging Materials (پتانسیل نقره و کائولن در بخش های کامپوزیت ژلاتین به عنوان غذای بسته بندی شده)

ترجمه مقاله Potential of Silver-Kaolin in Gelatin Composite Films as Active Food Packaging Materials...

15000 تومان

ترجمه مقاله The impact of destination brand authenticity and destination brand selfcongruence on tourist loyalty: The mediating role of destination brand engagement (تأثیر نام تجاری و برند مقصد بر وفاداری گردشگر: نقش واسطه ای تعامل برند مقصد)

ترجمه مقاله The impact of destination brand authenticity and destination brand selfcongruence on tourist...

15000 تومان

ترجمه مقاله Sarcasm detection in natural language processing (تشخیص کنایه در پردازش زبان طبیعی)

ترجمه مقاله Sarcasm detection in natural language processing (تشخیص کنایه در پردازش زبان طبیعی)

20000 تومان

ترجمه مقاله Impact of knowledge management practices on green innovation and corporate sustainable development: A structural analysis (تأثیر شیوه های مدیریت دانش بر نوآوری سبز و توسعه پایدار شرکت ها: یک تحلیل ساختار)

ترجمه مقاله Impact of knowledge management practices on green innovation and corporate sustainable development:...

15000 تومان

ترجمه مقاله Microalgae under environmental stress as a source of antioxidants (ریز جلبک ها تحت تنش محیطی به عنوان منبع آنتی اکسیدان ها)

ترجمه مقاله Microalgae under environmental stress as a source of antioxidants (ریز جلبک ها...

15000 تومان

ترجمه مقاله Internal audit quality: perceptions of Tunisian internal auditors an explanatory research (کیفیت ممیزی داخلی: ادراکات، حسابرسان داخلی تونس،  تحقیق توضیحی)

ترجمه مقاله Internal audit quality: perceptions of Tunisian internal auditors an explanatory research (کیفیت...

15000 تومان

error: شما فقط اجازه مطالعه دارید
قیمت می خواهید؟ ما ارزانترین قیمت را ارائه می کنیم. کافیست فایل خود را یا از طریق منوی خدمات و سرویس ها => سفارش ترجمه ارسال کنید یا برای ما به آدرس research.moghimi@gmail.com ایمیل کنید یا در تلگرام و واتس آپ با شماره تلفن 09191732587 ارتباط بگیرید و ارزانترین قیمت ترجمه را از ما بخواهید
+