ترجمه مقاله کاهش بعد تحت نظارت برای داده های تصویری

توضیحات

عنوان فارسی: یک متد کاهش بعدِ تحت نظارت، برای داده های تصویری، با استفاده از استراتژی تکاملاتی

عنوان انگلیسی:

A new supervised dimensionality reduction method for image data using evolutionary strategy

چکیده

    بسیاری از متد های  دسته بندی هایی که امروزه وجود دارند، متحمل مسئله ی بعدیت[1] در طول دسته بندی داده های تصویری با بعد بالا هستند. در این مقاله قصد داریم یک الگوریم نظارت یافته ی  غیر خطی کاهش بعد(S-NLDR)[2]  را تحت عنوان کاهش بعدیت نظارت یافته و مبتنی بر استراتژی تکاملاتی(ESSDR)[3] ارائه دهیم. متد ESSDR از  الگوریتم  استراتژی تکاملاتی مبتنی بر جمعیت برای یافن مقادیر  ادغام شده ی بعدیِ مربوط به داده های برچسب گذاری شده استفاده میکند. مطالعات شبیه سازی بر روی بعضی از مجموعه های داده  ای بنچ مارک نشان داده است که ESSDR میتواند در مقایسه با سایر متد های S-NDLR مانند WeightedIso، ادغام خطی محلی تظارت یافته (SLLE)، ادغام خطی محلی نظارت یافته ی بهبود یافته (ESLLE) و تعدیل فضای مماس محلی نظارت یافته(SLTSA)،  نتایج بهتری را در خصوص کاهش بعد مربوط به داده های برچسب گذاری شده  ارائه دهد.

 

واژگان کلیدی: کاهش بعد غیر خطی، دسته بندی، استراتژی تکاملاتی

.مقدمه

بسیاری از مسائل تصمیم گیری را میتوان به عنوان دسته بندی های معمولی در نظر گرفت[1]. در یک سری از اپلیکیشن های دنیای واقعی از تصاویر دیجیتال، میتوان از این دسته بند ها به منظور دسته بندی اشیاء استفاده کرد؛ بسیاری از مثال های رایج، شامل دسته بندی رقم های دست نویس، شماره پلاک خودرو، تصاویر چهره ی انسان و غیره میباشد. این تصاویر، از نقاط داده ای با بعد بالایی تشکیل شده اند و قبل از استفاده از آنها به منظور اهداف دسته بندی، نیاز بوده تا از یک متد کاهش بعد بر روی آنها استفاده کنیم. کاهش بعد نه تنها باعث کاهش هزینه ی دسته بندی میشود، بلکه کارائی دسته بند را به همراه دارد. متد های DR نظارت یافته ی غیر خطی، به عنوان یک پیش پردازنده ی خوبی برای DR از داده های تصویر غیر خطی بکار گرفته میشود. بسیاری از متد های S-NLDR، شامل SLLE[2-3]، WeightIso[4]، SLTSA[5-6] و متد ESLLE[7] که اخیراٌ معرفی شده است میباشند.

در این مقاله قصد داریم الگوریتم جدیدی را برای DR مربوط به داده های تصویری با بعد بالا معرفی کنیم. الگوریتم پیشنهادی ما، از الگوریتم ES [8]  برای DR مربوط به نقاط داده ای برچسب خورده استفاده میکند، به طوری که توانایی تشخیص نقاطی با بعد پایین را بیشینه سازد. برای تخمین نقاط ادغام شده با بعد پایین برای نقاط داده ای غیر نمونه، از متد تخمینی که توسط لی [5] پیشنهاد شده است استفاده نموده ایم و سپس از  دسته بند نزدیکترین K همسایه(K-NN)[1] برای تخمین عضویت کلاس استفاده میکنیم. از این رو کارائی الگوریتم خود را با بعضی از متد های S-NLDR رایج، و با استفاده از مجموعه های داده ای تصویر بنچ مارک مقایسه خواهیم کرد. کارائی الگوریتم جدید میتواند بسیار امید بخش باشد.

[1] K-Nearest neighbor

[1] Dimensionality

[2] Supervised nonlinear dimensionality reduction

[3] Evolutionary strategy based supervised dimentionality reduction

توجه:

• برای دانلود فایل word کامل ترجمه لطفا از گزینه افزودن به سبد خرید استفاده فرمایید.
• پس از خرید بلافاصله لینک دانلود فایل برای شما ایمیل خواهد شد.