استخراج ویژگی

یکی از پرکاربردترین روش های طبقه بندی نظارت شده، روش بیشترین احتمال است که در آن، به منظور طبقه بندی از پارامترهایی آماری مانند ماتریس واریانس کوواریانس استفاده می شود. در تصاویر ماهواره ای ابرطیفی، به علت محدودیت نمونه های آموزشی و ابعاد بالای طیفی (زیاد بودن تعداد باندها)، احتمال یکتا شدن ماتریس های برآورد شده و یا کاهش دقت طبقه بندی وجود دارد. به منظور حل این مشکل از روش های مختلفی همچون کاهش تعداد ویژگی ها (کاهش تعداد باندهای استفاده شده) و یا ترکیب طبقه بندی کننده ها استفاده می گردد. در این پژوهش از تلفیق این دو روش استفاده شده است، بدین ترتیب که برای کاهش ابعاد، روش استخراج ویژگی غیرپارامتریک وزن دار به علت مزایای متعدد آن به کار رفته است؛ و در مورد ترکیب طبقه بندی کننده ها برای ایجاد ترکیبات مناسب از طبقه بندی کننده ها، از روش تغییر ویژگی های ورودی و روش استخراج ویژگی بر مبنای کلاس استفاده شده است. همچنین در ترکیب خروجی طبقه بندی کننده ها، از روش های سطح اندازه گیری استفاده شده است. تصویر ابرطیفی مورد استفاده در این پژوهش، تصویر سنجنده AVIRIS مربوط به منطقه ای جنگلی / کشاورزی در شمال ایالت ایندیانا در امریکاست. پس از پیاده سازی روش استخراج ویژگی غیرپارامتریک وزن دار، دقت طبقه بندی کلی 67/85 درصد حاصل گردید. در ترکیب طبقه بندی کننده ها، دقت طبقه بندی کلی 26/89 درصد و در روش پیشنهادی دقت طبقه بندی کلی 34/89 درصد به دست آمد، که در قیاس با دو روش تشکیل دهنده آن، دقت طبقه بندی بهبود یافته است. به رغم کم بودن میزان بهبود دقت، به علت کاهش پیچیدگی محاسبات و همچنین امکان انجام محاسبات موازی، روش پیشنهادی در این پژوهش مناسب تر به نظر می رسد.

استفاده از داده های پلاریمتری راداری نقش تعیین کننده ای در شناسایی اهداف زمینی دارد و اطلاعات جامعی در مورد ویژگیهای هندسی و همچنین ماهیت اهداف، با بهره گیری از این نوع داده ها استخراج شدنی است. از جمله مشکلات موجود در زمینه طبقه بندی این نوع داده ها، انتخاب ویژگیهای بهینه است. با توجه به اهمیت این موضوع، در تحقیق حاضر روشی نو براساس نگاشت ویژگیهای استخراج شده به فضای پدیده ارائه شده است. به عنوان یکی از نتایج تحقیق، شاخص بهینگی در فضای پدیده برای انتخاب ویژگیهای بهینه تصاویر پلاریمتری راداری ارائه گردید. از طرف دیگر، یکی از محدودیت های موجود در زمینه استخراج اطلاعات دقیق مکانی، اختلاط مکانیسم های بازپراکنش در سطح پیکسل است. بنابراین، استفاده از طبقه بندیکننده های نرم به منظور تجزیه این نوع اختلاط ها ضروری است. اینکه تضمینی برای منفی نشدن سهم کلاس ها و همچنین واحد شدن مجموع سهم کلاس ها در هر پیکسل وجود ندارد، خود از چالش های طبقه بندیکننده های نرم است، که در این تحقیق با تلفیق طبقه بندیکننده نرم و الگوریتم نظارت نشده استخراج عناصر خالص مرتفع گردید. طبقه بندی کننده های نرم به رغم افزایش اطلاعات ماهیتی در نتایج طبقه بندی، توان جانمایی کلاس ها را در سطح زیرپیکسل ندارند و فقط سهم تعلق کلاس ها را در هر پیکسل تعیین میکنند. بدین منظور الگوریتم های (SRM) Super Resolution Mapping برای افزایش قدرت تفکیک مکانی در سطح نتایج طبقه بندی نرم شکل گرفته و پرورده شده اند. در این تحقیق نیز از روش جابه جایی پیکسلی به منظور تهیه نقشه در سطح زیرپیکسل استفاده شده و فرایندی غیرتصادفی برای جانمایی اولیه زیرپیکسل ها ارائه گردیده است. براساس نتایج تحقیق، روش پیشنهادی برای انتخاب ویژگیهای بهینه در مقایسه با روش مبتنی بر الگوریتم ژنتیک نتایج بهتری را به دست داد. در ادامه با استفاده از ویژگیهای به دست آمده، سه الگوریتم تجزیه اختلاط طیفی خطی (LSU)، شبکه عصبی چندلایه (MLP)) و ماشین بردار پشتیبان (SVM) برای طبقه بندی نرم منطقه مطالعاتی در سه کلاس مسکونی، پوشش گیاهی و زمین بایر اعمال گردید. با ارزیابی آنها، SVM به عنوان طبقه بندیکننده بهینه شناسایی شد و نتایج آن در فرایند جانمایی کلاس ها در سطح زیرپیکسل به کار رفت. در نهایت با پیاده سازی الگوریتم جابه جایی پیکسلی، تصاویر پلاریمتری راداری در سطح زیرپیکسل طبقه بندی شدند و قدرت تفکیک مکانی نتایج طبقه بندی نرم بهبود یافت.

مقدمه: حالات چهره، یکی از مهمترین راه های ارتباطی و پاسخ دهی انسان به محیط پیرامون است. هدف این پژوهش، بهره گیری از مدل یادگیری هیجانی مغز( BEL ) برای شناسایی حالات هیجانی چهره است. مدل یادگیری هیجانی مغز، الهام گرفته از سیستم لیمبیک مغز(مسئول محرک حالت هیجانی انسانی) است. این مدل برای بالابردن نرخ بازشناسی حالات هیجانی چهره انسان مورد استفاده قرار گرفته است. روش: ورودی مدل پیشنهادی دیتاست استاندارد JAFFE ، شامل شش حالت هیجانی خوشحالی، ناراحتی، خشم، تعجب، ترس و تنفر است. پس از خواندن تصاویر با استفاده از دستورات نرم افزار MATLAB ، تمامی تصاویر، وارد مرحله استخراج ویژگی می شود. برای استخراج اجزای ریز تصویر از روش PCA استفاده شده است. برای محاسبه نرخ بازشناسی حالات هیجانی چهره، تمامی ویژگی های استخراج شده از مرحله پیش، وارد دسته بندی مدل BEL می شود. در روش BEL ، ماتریس ارتباطات با اجزای ابرو، چشم و دهان ایجاد، وابستگی آن ها در هر حالت مشخص و حالات چهره، شناسایی می شود. به دلیل نمایش کارایی مدل پیشنهادی، مدل BEL با مدل رقیب SVM مقایسه شده است. یافته ها: نتایج تحلیل دیتاست ، نرخ بازشناسی حالات چهره را 93/80درصد نشان می دهد. نتیجه گیری: مدل BEL ، نرخ بازشناسی حالات هیجانی را با دقت بالاتر از مدل SVM نشان داد.

آنالیز موفولوژی، با تمرکز بر آنالیز روابط مکانی بین پیکسل های همسایه، پردازش تصویر کامل تری را در مقایسه با آنالیزهایی که بر پایة اثر طیفی یک پیکسل تنها هستند، به دست می دهد. روش پیشنهادی در این مقاله با استفادة هم زمان از اطلاعات طیفی و اطلاعات مکانی حاصل از آنالیز مورفولوژی نتایج نهایی طبقه بندی را در تصاویر ابر طیفی بهبود می بخشد. در این پژوهش ابتدا با استفاده از نمونه های آموزشی محدود، ویژگی های منتخب اولیه استخراج شدند و پس از اعمال آنالیزهای مورفولوژی روی هر یک از آنها، پروفایل های مورفولوژی تشکیل شدند و از ترکیب این پروفایل ها، پروفایل مورفولوژی گسترده تولید شد. سپس پروفایل مورفولوژی گسترده شده با ویژگی های منتخب اولیه ترکیب شد و مجدداً استخراج ویژگی نهایی صورت گرفت. ویژگی های منتخب نهایی با استفاده از طبقه بندی کنندة ماشین بردار پشتیبان طبقه بندی شدند. سپس پس پردازش تصویر نهایی با استفاده از فیلتر رأی گیری اکثریت انجام شد. این روش، روی دادة شهری و نیمه شهری از سنجندة ROSIS تست شد. دقت طبقه بندی نهایی از 86/98 و 70/82 درصد در روش های معمولی به 36/99 و 75/95 درصد در روش پیشنهادی به ترتیب در تصویر منطقة شهری و نیمه شهری افزایش یافته است. کلید واژه ها : آنالیز مورفولوژی، ماشین بردار پشتیبان، استخراج ویژگی، طبقه بندی، رأی گیری اکثریت.

داده های شبکه های اجتماعی یکی از موثرترین و دقیق ترین شاخص های احساسات عمومی است، بطوریکه تجزیه و تحلیل این اطلاعات می تواند نتایج جالبی از احساسات کاربران نسبت به هر شخصیت، موضوع، محصول و خدمات را برای محققین نمایان سازد. در این پژوهش، ضمن بررسی نظرات کاربران در شبکه اجتماعی توییتر در مورد ویژگی های مختلف دو محصول رقیب تلفن همراه در بازار یعنی Iphone X شرکت اپل و Galaxy S9 شرکت سامسونگ، احساسات آنان را براساس جنسیت مصرف کنندگان این دو محصول مورد بررسی قرار می دهیم. این بررسی با استفاده از روش مبتنی بر رابطه در مرحله استخراج ویژگی و رویکرد مبتنی بر لغت نامه احساسی در مرحله تعیین قطبیت نظرات انجام می گیرد. نتایج این تحقیق بیان می دارد که محبوبیت ویژگی های مختلف محصول بین کاربران مرد و زن متفاوت بوده و براساس این نتایج، صاحبان کسب و کار می توانند اقدام به تولید محصولاتی با تمرکز بر جنسیت افراد کرده و یا به طراحی برنامه های هوشمند تبلیغاتی با توجه به علایق آنان بپردازند. این اقدامات در نهایت به افزایش سوددهی کسب و کار و رضایت مندی مشتریان منجر می گردد.

اگر دنیای امروز را دنیای دیجیتال در نظر بگیریم، دور از ذهن نیست که سلول مرکزی این دنیا را اطلاعات بدانیم و همچنین خیلی به بی راهه نرفته ایم که یکی از مسائل مهم و کاربردی حوزه اطلاعات دیجیتالی را مسئله بازیابی اطلاعات قلمداد کنیم. همان طور که می دانیم بخشی از اطلاعات به صورت تصاویر ارائه، و لذا ملاحظه می شود که ضرورت پرداختن به بازیابی تصاویر وجود دارد. بازیابی تصاویر میسر نمی شود مگر از طریق آشنایی با معیارهای استخراج ویژگی مبتنی بر محتوای وب. این امر در پژوهش حاضر با روش کتابخانه ای و بهره مندی از پایگاه های اطلاعاتی معتبر فارسی و انگلیسی مورد مداقه قرار گرفته است. بنابر این هدف، سوال پژوهش این گونه بنا نهاده شده است: معیارهای استخراج ویژگی برای بازیابی تصاویر مبتنی بر محتوای وب چیست؟ آیا استفاده از این ویژگی ها در بازیابی تصاویر تاثیرگذار است یا خیر؟ بر اساس یافته های این سطور درمی یابیم که برای بازیابی تصاویر، دو نوع ویژگی موردنیاز است؛ ویژگی های سطح بالا و ویژگی های سطح پایین. این دو نوع شاخصه با توجه به نوع نیاز در بازیابی مبتنی بر محتوای وب مورد استفاده قرار می گیرند.

مقدمه: احساسات پدیده های متغیر با زمانی هستند که به عنوان پاسخی به محرک ها ایجاد می شوند. در راستای تشخیص احساس به صورت پیوسته می توان از پاسخ سیگنال های مغزی و حالت های چهره به محرک ویدیویی استفاده کرد. به این صورت که مجموعه ای از فیلم های محرک برای بینندگان به نمایش گذاشته می شود و همزمان سیگنال های مغزی و حالت های چهره آنها به طور پیوسته ضبط می گردد و سطح ظرفیت آنها (احساسات منفی تا مثبت) ثبت می شود. روش کار: هدف از این پژوهش، شناخت احساسات انسانی با استفاده از تحلیل سیگنال های الکتروانسفالوگرافی بود. در این مطالعه، برای تشخیص احساسات با استفاده از شبکه عصبی کانولوشنال فازی که ویژگی های بهینه و موثر را خود از سیگنال الکتروانسفالوگرافی انتخاب می کند جهت تشخیص و بازشناسی حالات هیجانی افراد مختلف ارائه می شود. در روش پیشنهادی ابتدا سیگنال الکتروانسفالوگرافی به باندهای مختلف آلفا، بتا و گاما تجزیه شده و سپس عمل تشخیص هوشمند انجام خواهد شد. یافته ها: نتایج آزمایشات نشان می دهد که حالت آرامش و خستگی در باند آلفا بهتر و به ترتیب با دقت 2/94 درصد و 8/78 درصد بازشناسی می شود. در باند گاما شادی بهتر و با دقت 2/92 درصد شناسایی می شود و در نهایت در باند بتا، ترس با دقت 3/92 درصد بازشناسی خواهد شد. نتیجه گیری: دیده می شود که مدل پیشنهادی با استفاده از شبکه عصبی کانولوشنال از دقت بالایی در بازشناسی احساسات برخوردار است همچنین استفاده از منطق فازی در روش پیشنهادی دقت بازشناسی را در کلیه باندها بالا برده است.