![]()
ارائه یک سیستم شناسایی چند بیومتریک مبتنی بر ویژگیهای عمیق برای شناسایی افراد از طریق ترکیب چهره و اثر انگشت و عنبیه (1400) / صبوری ، شکوه، نویسنده
نوع مدرک: متون چاپی سرشناسه صبوری ، شکوه، نویسنده ردهبندی کنگره : COM soft 42 1400 عنوان : ارائه یک سیستم شناسایی چند بیومتریک مبتنی بر ویژگیهای عمیق برای شناسایی افراد از طریق ترکیب چهره و اثر انگشت و عنبیه عنوان موازی : The Presentation of a Multibiometric Identification System Based on the Deep Features for Person Identification Via Fusion of Face and Fingerprint and Iris ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1400 صفحه شمار: ز،78ص شابک/شاپا 24095 یادداشت پایان نامه کارشناسی ارشد: رشته مهندسی کامپیوتر گرایش نرم افزار شناسه افزوده : اکبری کوپایی ، مهدی، استاد راهنما توصیفگرها تشخیص چهره تشخیص عنبیه ویژگی عمیق شناسایی افراد شبکههای عصبی عمیق Face Recognition Iris Recognition Deep Features Person Identification Deep Neural Networks چکیده : با رشد تکنولوژیهای نوین شناسایی مبتنی بر بیومتریک به عنوان یک روش قابل اعتماد برای شناسایی خودکار افراد به شدت مورد توجه واقع شده است. ویژگیهای بیومتریک بدلیل منحصر بفرد بودن و عدم توانایی در جعل آنها در مقایسه با روشهای شناسایی سنتی مبتنی بر کدها و کارتها، بسیار قابل اعتمادتر هستند. در تلاشهای اخیر محققان سعی در ترکیب چندین بیومتریک مختلف برای ارائه سیستمهای شناسایی دقیقتر دارند، چراکه در سیستمهای مبتنی بر یک بیومتریک احتمال بروز خطا افزایش مییابد. در برخی از روشهای ترکیبی از بیومتریکهای چهره و اثر انگشت استفاده نمودهاند که هر یک از آنها میتوانند بدلایل مختلفی مثل سن و آسیبدیدگی کاملا ناکارآمد شوند. از اینرو انتخاب بیومتریکهایی که کمتر در معرض تغییرات و آسیب دیدگی باشند میتواند در ارائه یک سیستم شناسایی کارآمد موثرتر واقع گردد. در این راستا در این تحقیق یک سیستم شناسایی ترکیبی مبتنی بر سه بیومتریک عنبیه، اثر انگشت و چهره ارائه شده است. در این روش ترکیب بیومتریکهای فوق در دو سطح ویژگی و امتیاز انجام شده است. برای استخراج ویژگیهای مناسب از سه بیومتریک فوق از شبکههای عصبی عمیق کانولوشن ساده و پیش آموزش دیده استفاده شده است. نتایج تجربی این روش بر روی پایگاه داده مجازی تشکیل شده از سه پایگاه داده CASIA-IRIS، YaleB و FVC2000 نشان میدهد که ترکیب در سطح ویژگی بدلیل استفاده از ویژگیهای عمیق و عدم وابستگی مدل به حداقل آستانه میتواند نتایج بهتری ارائه دهد. علاوه بر این نتایج روش نشان میدهد که استفاده از معماریهای عمیق پیش آموزش دیده جهت استخراج ویژگی از بیومتریک چهره باعث شده است که این بیومتریک در مقایسه با دو بیومتریک دیگر در تشخیص دقیق مدل تاثیر بیشتری داشته باشد. روش پیشنهادی در ترکیب در سطح ویژگی و در سطح امتیاز به نرخ تشخیص 100% رسیده است که نشان میدهد در مقایسه با روش پیشین بدلیل انتخاب روشهای استخراج ویژگی مناسب موفقتر عمل نموده است و در مقایسه با روش پیشین بدلیل انتخاب سه بیومتریک جامعیت بیشتری دارد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13244 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24095 COM soft 42 1400 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت ![]()
تحلیل احساس چند حالتی مبتنی بر تصاویر و متن با استفاده از یادگیری عمیق و انتقالی (1401) / نصر آزادانی ، بهنام، نویسنده
نوع مدرک: متون چاپی سرشناسه نصر آزادانی ، بهنام، نویسنده ردهبندی کنگره : COM soft 63 عنوان : تحلیل احساس چند حالتی مبتنی بر تصاویر و متن با استفاده از یادگیری عمیق و انتقالی عنوان موازی : Multimodal Sentiment Analysis Based on Text and Image Using Deep and Transfer Learning ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 94ص شابک/شاپا 24548 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار شناسه افزوده : اکبری کوپایی ، مهدی، استاد راهنما توصیفگرها تحلیل احساس چند مدلی، شبکه عمیق کانولوشن پیش آموزش دیده، یادگیری ترکیبی Multimodal Sentiment Analysis, Deep Pre-trained Convolutional Network, Hybrid Learning چکیده : تحلیل احساس، به آشکار نمودن نظرات فرد و نگرش وی نسبت به یک موضوع، شخص یا موجودیت خاص اشاره دارد. استخراج نظرات افراد نسبت به یک موضوع و موجودیت مشخص، کاربردهای زیادی در زمینههای سیاسی، اجتماعی، فرهنگی و اقتصادی دارد. امروزه رشد تکنولوژی و شبکههای اجتماعی باعث شده، کاربران نظرات خود را در مورد انواع موضوعات در قالب پست متنی، تصویر و کلیپهای ویدئویی به اشتراک بگذارند. تشکیل این حجم از دادهها به صورت روزانه و مزایای حاصل از تحلیل آنها، پژوهشگران را بر آن داشت تا با استفاده از روشهای یادگیری ماشین یا یادگیری عمیق مدلهای تحلیل احساس ارائه دهند. اغلب روشهای مطرح شده تا کنون در زمینه تحلیل احساس تک مدلی بوده و غالبا مبتنی بر متن هستند. روشهای تحلیل احساسی که مبتنی بر یک داده مثل تصویر و یا متن هستند، اگر ویژگیهای مناسبی از داده استخراج نکنند به خوبی قادر به تشخیص احساس نخواهند بود. در این راستا روشهای تحلیل احساس چند مدلی مبتنی بر متن و تصویر و ویدئو معرفی شدند که برخلاف روشهای تک مدلی، از چندین رسانه برای بررسی نظرات کاربران استفاده میکنند و نتایج دقیقتری از احساس کاربران بدست میآورند. از اینرو بدلیل کاربردهای متنوع و کارآمد نتایج حاصل از فرآیند تحلیل احساس، در این تحقیق نیز یک روش تحلیل احساس چند مدلی مبتنی بر دادههای متن و تصویر ارائه شده است. در این روش از شبکه کانولوشن پیش آموزش دیده ResNet101 برای استخراج ویژگی از تصاویر و از شبکه عصبی پیش آموزش دیده تعبیه کلمات FastText نیز برای استخراج ویژگی از متن استفاده شده است. در نهایت با ترکیب آبشاری دو دسته ویژگی فوق تحلیل احساس با استفاده از ترکیب سه الگوریتم جنگل تصادفی، ماشین بردار پشتیبان و k نزدیکترین همسایه انجام پذیرفت. نتایج این روش بر روی دو پایگاه داده TwitterII و MVSA-Singleحاکی از آن است که مدل پیشنهادی با ترکیب دادههای متن و تصویری توانسته است به ترتیب به صحت 88.33% و 75.7% دست یابد که در مقایسه با مدلهای پیشین توانسته است بالغ بر 7% و 4% صحت تحلیل احساس را بهبود ببخشد. نتایج مدل پیشنهادی نشان میدهد که روشهای تحلیل احساس چند مدلی در مقایسه با تک مدلی عملکرد موفقتری دارند لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13623 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24548 COM soft 63 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت