یکشنبه ۱۵ مهر ۰۳

مقاله #530

#530 کد مقاله زمینه: برق و الکترونیک
عنوان انگلیسی:
A Novel Image Denoising Method Based on Sparse Representation and Incremental Dictionary Learning for Large-scale Dataset
تعداد صفحات انگلیسی:
6 صفحه
عنوان فارسی:
ارائه روشی جدید برای حذف نویز تصویر، بر اساس بازنمایی پراکنده و یادگیری واژه نامه فزاینده، برای مجموعه داده‌های مقیاس بزرگ
تعداد صفحات فارسی:
12 صفحه
نوع فایل:
فایل word ترجمه و pdf انگلیسی
قیمت فروش:
50,000 ريال
چکیده فارسی:

چکیده

 حذف نویز تصاویر، به عنوان یکی از اساسی ترین اقدامات مربوط به پردازش تصویر، محسوب می شود. این رویکردی که در این مقاله بر روی آن متمرکز خواهیم شد، بر اساس بازنمایی‌های پراکنده و افزونه (مبتنی بر واژه نامه فوق العاده کامل فرا گرفته شده)، بنا شده است. این موضوع به اثبات رسیده است که الگوریتم K-SVD (تجزیه مقدار یکتای K)، به عنوان روش فوق العاده موثر آموزش واژه نامه‌های فوق العاده کامل (در خصوص بازنمایی سیگنال پراکنده)، محسوب می شود. همچنین، زمانی که مقیاس مجموعه داده‌های آموزشی، به شدت بزرگ می شود، استفاده از این الگوریتم، دیگر موثر نخواهد بود (زیرا این الگوریتم، یک الگوریتم دسته ای می باشد و در هر دور تکرار، با تمام نمونه‌های آموزشی، تعامل دارد). در این مقاله، پیاده سازی دیگری از این الگوریتم را به منظور یادگیری فزاینده موثر، ارائه می کنیم که روند اجرای الگوریتم قبلی را افزایش می دهد و همچنین به طور قابل ملاحظه ای با مجموعه داده‌های بزرگ (به همراه میلیون‌ها نمونه آموزشی)، تطبیق می یابد. آزمایشات مربوط به حذف نویز (که برای هر دو مورد تصاویر مقیاس بزرگ و مجموعه داده‌های آموزشی به انجام رسیده است)، نشان می دهد که روش پیشنهادی ما، منجر به عملکرد سریعتر و واژه نامه‌های بهتر، خواهد شد.

نسخه انگلیسی:
قیمت فروش:
50,000 ريال
پرداخت اینترنتی و دریافت
new order
زمینه مقاله

زمینه مورد نظر:

new order
ورود به سیستم
- فراموشی گذرواژه ؟
محاسبه فوری هزینه ترجمه
شما میتوانید با انتخاب زمینه و زبان ترجمه و وارد نمودن تعداد کلمات متنی که باید ترجمه شود، هزینه و زمان تحویل ترجمه را بدست بیاورید.
زمینه: زبان: تعداد کلمه:
پست الکترونیکی شما :

خبری شد خبرتان خواهیم کرد!

آیا سوالی دارید؟

سوال خود را با ما در میان بگذارید

تماس با پشتیبانی

ورود به سیستم


تماس با پشتیبان