مقاله انگلیسی رایگان در مورد یادگیری بازنمایی های های محلی برای تشخیص چهره RGB-D – الزویر ۲۰۲۰

elsevier

 

مشخصات مقاله
ترجمه عنوان مقاله یادگیری بازنمایی های های محلی برای تشخیص چهره RGB-D مقیاس پذیر
عنوان انگلیسی مقاله Learning local representations for scalable RGB-D face recognition
انتشار مقاله سال ۲۰۲۰
تعداد صفحات مقاله انگلیسی ۴۷ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس میباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۵٫۸۹۱ در سال ۲۰۱۹
شاخص H_index ۱۶۲ در سال ۲۰۲۰
شاخص SJR ۱٫۱۹۰ در سال ۲۰۱۹
شناسه ISSN ۰۹۵۷-۴۱۷۴
شاخص Quartile (چارک) Q1 در سال ۲۰۱۹
مدل مفهومی دارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط کامپیوتر
گرایش های مرتبط هوش مصنوعی، مهندسی الگوریتم ها و محاسبات، مهندسی نرم افزار
نوع ارائه مقاله
ژورنال
مجله  سیستم های خبره با برنامه های کاربردی – Expert Systems With Applications
دانشگاه MIRACL-FS, Sfax University, Road Sokra Km 3 BP 802, Sfax 3018, Tunisia
کلمات کلیدی تشخيص چهره، SRC، توصيف گرهای مبتنی بر داده ها، شبكه هاي عصبي پیچشی، سنسور هاي BSIF ،RGB-D، يادگيری عميق
کلمات کلیدی انگلیسی Face recognition، SRC، Data-driven descriptors، Convolutional neural networks، BSIF، RGB-D Sensors، Deep learning
شناسه دیجیتال – doi
https://doi.org/10.1016/j.eswa.2020.113319
کد محصول E14718
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract

۱- Introduction

۲- Related work

۳- Proposed RGB-D face recognition approach

۴- Experimental results

۵- Conclusion

References

بخشی از متن مقاله:

Abstract

In this article we present a novel RGB-D learned local representations for face recognition based on facial patch description and matching. The major contribution of the proposed approach is an efficient learning and combination of data-driven descriptors to characterize local patches extracted around image reference points. We explored the complementarity between both of deep learning and statistical image features as data-driven descriptors. In addition, we proposed an efficient high-level fusion scheme based on a sparse representation algorithm to leverage the complementarity between image and depth modalities and also the used data-driven features. Our approach was extensively evaluated on four well-known benchmarks to prove its robustness against known challenges in the case of face recognition. The obtained experimental results are competitive with the state-of-the-art methods while providing a scalable and adaptive RGB-D face recognition method.

Introduction

Face recognition for an automated person identification has received great attention over the years as it offers the most user-friendly and non-invasive modality. Face recognition based on standard two dimensional (2-D) images was extensively studied but it still suffers from problems related to imaging conditions and face pose variations. Thanks to the progress in three-dimensional (3-D) technology, recent research has shifted from 2-D to 3-D (Abbad et al., 2018). Indeed, 3-D face representation ensures a reliable surface shape description and adds geometric shape information to the face characterization. Most recently, some researchers proposed to use image and depth data captured from cost-effective RGB-D sensors like MS Kinect or Intel RealSense instead of bulky and expensive 3-D scanners. In addition to color images, RGB-D sensors provide depth maps describing the scene 3-D shape by active vision or an alternative technology. Driven by the emergence of this type of sensors and the latest advances in deep learning techniques, RGB-D face recognition is now becoming at the heart of several recent research studies. Indeed, it is nowadays crystal clear that data-driven feature extraction, using Convolutional Neural Networks (CNNs) for example, outperforms traditional hand-crafted features for many computer vision tasks like object detection (Szegedy et al., 2013), image clas sification (Krizhevsky et al., 2012), etc. When it comes to the RGB-D face recognition, the observed challenges basically deal with face pose variations, partial occlusions, imaging conditions, and discriminant feature extraction.

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *