ارائه­ دهنده:
رامین کمالی

 استاد راهنما:
دکتر محمدرضا محمدی

هیات داوری: 
دکتر محسن سریانی
دکتر عمادالدین فاطمی زاده


زمان:
 ۱۴۰۱/۰۶/۱۲

ساعت ۰۸:۰۰
 

دانشجو رامین کمالی دانشجوی کارشناسی ارشد آقای دکتر محمدرضا محمدی روز شنبه مورخ  ۱۲ شهریور ماه ساعت ۰۸:۰۰ از پروژه کارشناسی ارشد خود تحت عنوان "تخصیص منابع به زیروظایف در محیط گرید با در نظر گرفتن کیفیت سرویس" دفاع خواهند نمود.

چکیده پایان نامه:
امروزه با زیاد شدن موارد استفاده از دوربین های نظارتی شناسایی افراد در تصاویر ثبت شده اهمیت زیادی پیدا کرده است. با توجه به شرایطی که دوربین های نظارتی در آن نصب هستند در بسیاری از مواقع تصویر افراد بە خوبی توسط دوربین ها ثبت نشده و چهره افراد بی کیفیت و نسبت به دوربین زاویە دار است. روبرو نبودن چهره، گاه می تواند منجر به عدم تشخیص فرد توسط ناظر انسانی یا اشتباه سیستم های بازشناسی چهره شود. امروزه روش های با ناظر و بدون ناظری برای روبروسازی چهره ارائه شده است که تصویر ورودی را گرفته و سعی در روبرو ساختن آن با حفظ هویت دارند. نکته مهم تمام این روش ها، روبروسازی تصویر چهره تنها بر اساس  یک تصویر است حال آن که دوربین های نظارتی قادر به ثبت تصاویر بە صورت ویدئو هستند. در روش های با ناظر، از مجموعه دادە هایی برای آموزش شبکه استفاده می شود که در شرایط آزمایشگاهی
و کم چالش جمع آوری شدە اند و به همین دلیل با وجود پیشرفت هایی که روش های جدید داشتە اند هنوز در شرایط پرچالش تعمیم دهی مناسبی ندارند. روش های بدون ناظر هم با گذشت زمان بهبود قابل توجهی داشتە اند ولی هم چنان ضعیف تر از روش های با ناظر هستند. در این کار ابتدا یک مجموعه داده مناسب و پرچالش مبتنی بر دنباله تصاویر برای آموزش با ناظر شبکه جمع آوری شده که تصاویر آن در شرایط پرچالشی ثبت شدە است. در این تحقیق یک مدل مولد رقابتی برای این کار معرفی شده که مدل مولد آن یک شبکه کدگذار⁃کدگشا است. قسمت کدگذار مدل مولد برای تمام تصاویر ورودی مشترک است. بعد از آن در هر سطح از ویژگی های استخراج شده از کدگذار، برای استخراج ویژگی های زمانی استفاده شده است. در قسمت کدگشا نیز سعی شده است تا مدل از تمام خروجی های سطح های مختلف تصویر را بازسازی کند. در قسمت تابع ضرر مبتنی بر پیکسل تغییراتی ایجاد شده تا زاویه چهره ورودی را یاد گرفته و بر اساس آن چهره را بازسازی کرده و پس زمینه تصویر را نادیده بگیرد. با اعمال تغییرات فوق دقت بازشناسی تصاویر خروجی نسبت به مدل پایه، در تصاویر تست با زاویه چرخش کم ۲۰درصد و در تصاویر با زاویه چرخش زیاد نزدیک به ۴۰درصد افزایش دقت داشته است. تصاویر روبرو شده با این روش نیز از نظر میانگین زاویه چهره و کیفیت، نسبت به مدل پایه بهبود قابل توجهی داشتە اند.

کلمات کلیدی: بازسازی چهره، روبروسازی چهره، یادگیری عمیق، شبکە های مولد رقابتی،ترجمه تصویر⁃ به⁃ تصویر

 

دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی