Τεχνικές μηχανικής όρασης για τον χαρακτηρισμό εικόνων προσώπου
Το αντικείμενο το οποίο πραγματεύεται η διδακτορική αυτή διατριβή είναι ο χαρακτηρισμός εικόνων προσώπου, όπως είναι η αναγνώριση εκφράσεων, η αναγνώριση προσώπου, αλλά και η αναγνώριση της πόζας του. Στη μηχανική όραση ένα από τα πιο σημαντικά προβλήματα που καλείται να αντιμετωπίσει κάθε αλγόριθμος ανάλυσης εικόνων προσώπου, είναι η πολύ υψηλή διάσταση των δεδομένων εισόδου. Μια δημοφιλής κατηγορία μεθόδων για την αποδοτικότερη επεξεργασία αυτών, είναι οι μέθοδοι εκμάθησης υποχώρων οι οποίες στοχεύουν να ανακαλύψουν τα κρυμμένα χαρακτηριστικά των εικόνων, προκειμένου να εξάγουν κατάλληλες διακριτικές αναπαραστάσεις, των δεδομένων, μικρότερης διάστασης. Στη συνέχεια της διατριβής προτείνονται δύο διακριτικές μέθοδοι εκμάθησης υποχώρων, όπου η πρώτη τροποποιεί την συνάρτηση αποσύνθεσης της μεθόδου μη αρνητικής παραγοντοποίησης πινάκων εισάγοντας κατάλληλους διακριτικούς περιορισμούς εμπνευσμένους από τη διακριτική ανάλυση υποκλάσεων, ενώ η δεύτερη χρησιμοποιεί τυχαία χαρακτηριστικά, α ...
περισσότερα
The main field of interest of this thesis is the characterization of facial images, such as facial expression recognition, face recognition and facial pose recognition. One of the most crucial issues that every facial image analysis algorithm in computer vision encounters is the high dimensionality of the provided image data. A popular category of methods that obtain a more manageable problem is the subspace image representation algorithms, which aim to discover the latent image features by projecting the high dimensional input data to a low dimensional subspace. In this thesis two subspace learning methods are presented, that aim to enhance classes discrimination in the projection subspace. The first method modifies the cost function of the original Nonnegative Matrix Factorization algorithm by incorporating appropriate discriminant factors inspired by Clustering Discriminant Analysis, while the second operates on the random features instead of the actual high dimensional input data a ...
περισσότερα
Κατεβάστε τη διατριβή σε μορφή PDF (2.32 MB)
(Η υπηρεσία είναι διαθέσιμη μετά από δωρεάν εγγραφή)
|
Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.
|
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)