دانلود پروپوزال ارائه ی مدلی جهت تشخیص چهره عمیق با داده های ناقص صورت با استفاده از روش شبکه های عصبی پیچشی

این پروپوزال دارای مقاله بیس میباشد که قابل مشاهده و دانلود می باشد:

فهرست مطالب پروپوزال

1. بیان مساله اساسی تحقیق
2. مرور ادبیات و سوابق مربوطه
3. جنبه جدید بودن و نوآوری در تحقیق
4. اهداف مشخص تحقیق
5. فرضیه ‏های تحقیق
6. روش شناسی تحقیق
7. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
8. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
9. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها
10. مراجع

بیان مساله

چهره ها، بیشترین تصاویر نقاشی شده در سیستم بصری در طول زندگی انسان هستند. یعنی تعجب آور نیست که انسانها توانایی قابل توجهی برای شناخت چهره ها دارند. به طور معمول، نگاهی اجمالی به چهره ی فرد ویژگی های منحصر ب فرد او را برای ما به یاد می آورد. به این ترتیب، تعجب آور نیست که انسانها یک ناحیه مشخص در مغزشان برای پردازش چهره و همچنین تشخیص آنها دارند [۱].

هنگامی که زمان تشخیص چهره عمیق به وسیله انسانها فرا می رسد، تصور می شود مغز جزئیات مهم مانند شکل ها و رنگ ها و ویژگی های حیاتی مربوط به چشم، بینی، پیشانی، گونه ها و دهان را به یاد می آورد [۲].

علاوه بر این، مغز انسان می تواند با تغییرات قابل توجه در میزان روشنایی، عواطف چهره و چهره هایی که از دور دیده می بیند، مقابله کند. اما، بر خلاف انسان برای کامپیوتر به طور کلی، تغییر شکل ظاهر یک چهره تاثیر مستقیمی بر توانایی آن برای تشخیص دارد. به عنوان مثال، تغییرات در نورپردازی، عواطف، قیافه و سایر تغییرات فیزیکی اضافه شده، به عنوان مثال عینک یا ریش، ممکن است تأثیر زیادی بر میزان تشخیص داشته باشد.

امروزه تشخیص چهره عمیق مبتنی بر کامپیوتر یک مکانیسم بالغ و قابل اطمینان است که به طور عمده برای بسیاری از سناریوهای کنترل دسترسی مورد استفاده قرار می گیرد. به این ترتیب که تشخیص چهره یا احراز هویت عمدتا با استفاده از داده های کامل از تصاویر جلوی صورت انجام می شود.

اگرچه ممکن است در عمل این مورد پیش بیاید، اما موقعیت های متعددی وجود دارد که ممکن است تصاویر کامل جلوی صورت در دسترس نباشد – تصاویر چهره ناقص که اغلب از دوربین های مدار بسته می آیند. …………..

 برخی از مراجع

• Aslan, Melih S., et al. “Multi-channel multi-model feature learning for face recognition.” Pattern Recognition Letters ۸۵ (۲۰۱۷): ۷۹-۸۳٫
•  Zhu, Yani, Chaoyang Zhu, and Xiaoxin Li. “Improved principal component analysis and linear regression classification for face recognition.” Signal Processing ۱۴۵ (۲۰۱۸): ۱۷۵-۱۸۲٫
• Tang, Zhijie, et al. “Fast face recognition based on fractal theory.” Applied Mathematics and Computation ۳۲۱ (۲۰۱۸): ۷۲۱-۷۳۰٫
•  Sajjad, Muhammad, et al. “Raspberry Pi assisted face recognition framework for enhanced law-enforcement services in smart cities.” Future Generation Computer Systems ۱۰۸ (۲۰۲۰): ۹۹۵-۱۰۰۷٫