بایگانی‌های آموزش پردازش تصویر - ايران متلب

پیاده سازی و برنامه نویسی MATLAB یادگیری عمیق

ایران متلب — Thu, 09 Apr 2020 14:17:02 +0000

این فیلم آموزشی قسمت دوم بسته آموزشی جامع یادگیری عمیق می باشد. این قسمت اختصاص به پیاده سازی و برنامه نویسی مدلهای یادگیری عمیق در متلب MATLAB دارد.

متلب در سال 2020 نام جعبه ابزار شبکه عصبی خود را به یادگیری عمیق تغییر داد. این تغییر نشان از انگیزه بالای متلب برای ارائه یک جعبه ابزار قوی برای کاربران خود دارد.

یادگیری عمیق در متلب یک ابزار مناسب برای طراحی و پیاده سازی شبکه های عصبی عمیق با الگوریتم ها و مدلهای از پیش آموزش یافته برای شما فراهم می کند. شما می توانید از شبکه های عصبی کانولوشن (ConvNet , CNN) و حافظه ترم-کوتاه بلند long short-term memory (LSTM) برای دسته بندی و رگرسیون روی تصویر و سریهای زمانی و داده های متنی استفاده کنید.

شما می توانید ساختارهای شبکه مانند شبکه های مخالف مولد generative adversarial networks (GANs) و شبکه های سیامی Siamese networks با استفاده از تفاضل گیری اتوماتیک و حلقه های آموزش سفارشی و وزنهای تقسیم شده ایجاد کنید.
با ابزار طراحی کننده شبکه عمیق شما می توانید بدون کدنویسی شبکه های عصبی عمیق را به صورت اتوماتیک طراحی و آنالیز و آموزش دهید.
با استفاده از ابزار مدیریت تجارب (Experiment Manager app) شما می توانید چندین تجارب یادگیری عمیق را مدیریت کنید و پارامترهای آموزش را در هر تجربه دنبال کنید و نتایج را آنالیز کنید و کدهای تولید را با هم مقایسه کنید و بهترین مدل را انتخاب کنید. این ابزار به کاربران قابلیت بسیار خوبی می دهد که یک کار کنترل نسخه version control را انجام بدهند. در یک کار واقعی یادگیری عمیق ، پیداکردن پارامترهای مناسب یک مدل بسیار زمانبر است و نیاز هست که پارامترهای هر بار اجرای کد ذخیره شد تا در نهایت با مقایسه اجراهای مختلف بهترین پارامتر پیدا شود. با کمک ابزار مدیریت تجارب به راحتی شما می توانید این کار را انجام دهید.
با ابزار یادگیری عمیق شما می توانید مدل یادگیری عمیق را مشاهد کنید و لایه های مختلف و توابع تبدیل هر لایه را ببینید. بنابراین شما به راحتی می توانید ساختار مدل خود را مشاهده کنید و درک خوبی از مدل یادگیری عمیق پیدا کنید.
شما می توانید با ابزار یادگیری عمیق متلب بین دیگر ابزارهای برنامه نویسی یادگیری عمیق مثل TensorFlow™ و PyTorch با متلب ارتباط برقرار کنید. آموزش TensorFlow ایران متلب را می توانید در این لینک مشاهده کنید. اکنون برنامه نویسان پایتون از TensorFlow™ و PyTorch استفاده می کنند، لذا شما می توانید مدلهایی که در این کتابخانه ها ساخته می شود را وارد متلب کنید و به عنوان یک مدل متلب استفاده کنید. فرمت ارتباطی از نوع ONNX™ می باشد که می تواند مدلهایی از TensorFlow-Keras و Caffe را وارد متلب کنید.

این تولباکس یادگیری انتقال (Transfer Learning) را با DarkNet-53 و ResNet-50 و NASNet و SqueezeNet و مدلهای پیش آموزش یافته دیگری پشتیبانی می کند. همانطور که در فیلم آموزش یادگیری عمیق ایران متلب گفته می شود، این قابلیت باعث می شود که شما چرخ را از اول اختراع نکنید و به راحتی مدلهای پیشرفته ایجاد کنید و به راندمان های بسیار بالایی برسید.

با استفاده از یادگیری عمیق در متلب شما می توانید فرایند آموزش مدل خود را روی یک GPU یا چندین GPU انجام دهید و سرعت را افزایش دهید. این قابلیت به کمک جعبه ابزار پردازش موازی متلب انجام می شود. همچنین شما می توانید از فضای ابری (cloud) شامل NVIDIA® GPU Cloud و Amazon EC2® GPU نیز استفاده کنید. این قابلیت با جعبه ابزار سرور موازی MATLAB (MATLAB® Parallel Server™)انجام می شود.

سرفصل ها :

شبکه های از پیش آموزش یافته
ابزار Add-On Explorer
نصب یک شبکه یادگیری عمیق در متلب
فراخوانی AlexNet در متلب
مقایسه شبکه های یادگیری عمیق از پیش آموزش یافته از نظر سرعت و حجم محاسبات و دقت
نکات مهم در انتخاب مدل یادگیری عمیق
شروع به برنامه نویسی با یک کد ساده
پارامتر Layers
چاپ ساختار یک شبکه
محاسبه اندازه مناسب تصویر ورودی
تغییر اندازه تصویر ورودی
اسم لایه های مختلف شبکه
پارامترهای هر لایه شبکه
استخراج پارامترهای لایه اول
استخراج پارامترهای لایه های بعدی
FilterSize و NumChannels و Stride
پارامتر های Learnable Parameters
پارامترهای لایه Pooling
کلاس maxPooling2dLayer
لایه FullyConnectedLayer
عمق و اندازه و تعداد پارامترها و اندازه تصویر ورودی شبکه های squeezenet و googlenet و inceptionv3 و densenet201 و mobilenetv2 و resnet18 و resnet50 و resnet101 و xception وinceptionresnetv2 و shufflenet و nasnetmobile و nasnetlarge و darknet19 و darknet53 و alexnet و vgg16 وvgg19

نصب googlenet
چک نسخه متلب
بررسی لایه های googlenet
نام کلاس های خروجی شبکه
معرفی مدلهای Caffe
معرفی App Network Designer
کار با یادگیری عمیق درمتلب بدون هیچ گونه برنامه نویسی
صفحه شروع ابزار طراحی شبکه
گزینه های Designer
معرفی Layer Library
Auto arrange
معرفی Analyze
یافتن خطا ها و هشدارهای طراحی
معرفی Export
رنگ های هر لایه
بارگذاری داده
داده های validation و داده های Training
Augmentation options
تغییر داده های آموزش
تعیین درصد داده های validation
یک مثال از یادگیری انتقالی
تنظیم لایه fully connected
تنظیم لایه Output
گزارش حاصل از چک شبکه
گزینه های تنظیمی آموزش
انتخاب تابع آموزش یا solver
معرفی قسمت های مختلف پنجره آموزش
Accuracy, Loss function
نمودارهای حاصل از آموزش
دلایل توقف آموزش
Training Cycle
Hardware resource
گزینه Export
تولید های کد متلب یک طراحی در ابزار ساخت شبکه
مثال
گرفتن خروجی از شبکه آموزش یافته
چه کارهایی می توانید با ابزار ساخت شبکه یادگیری عمیق در متلب انجام دهید؟
مقدار داده مورد نیاز در یادگیری انتقالی چقدر است؟
مزایای یادگیری انتقالی
مثالی از یادگیری انتقالی
گزینه NumFilters
ValidationFrequency
MaxEpochs
MiniBatchSize
تولید کد با پارامترهای اولیه
دستور predict
ساختار شبکه های یادگیری عمیق
نوع و تعداد لایه ها به چه پارامتری بستگی دارد؟
تفاوت لایه های دسته بندی و رگرسیون
لایه Softmax
شبکه کوچک یا بزرگ
مفهوم sequential
تعریف لایه های یک شبکه به صورت کدنویسی
لایه imageInputLayer
ساخت شبکه های پیچیده
مفهوم Directed Acyclic Graph (DAG)
دستور layerGraph
دستور addLayers
دستور connectLayers
مثال برنامه نویسی متلب
نمایش ساختار شبکه با plot
آموزش گزینه های آموزش در برنامه نویسی
انواع حل کننده در آموزش sgdm و adam و rmsprop
دستور trainNetwork
اجرای آموزش یک شبکه یادگیری عمیق
گزینه TrainingCycle
توقف فرایند آموزش
مفهوم Epoch
نقطه Final
استخراج وزن و بایاس از شبکه آموزش یافته
اعمال داده های تست
مثال دسته بندی با شبکه CNN
چگونه داده ها را وارد متلب کنیم؟
چگونه ساختار یک شبکه را تعریف کنیم؟
چگونه شبکه را آموزش دهیم؟
چگونه داده های تست را به شبکه اعمال کنیم؟
معرفی imageDataStore
مزایای imds
چگونه همه تصاویر یک فولدر را بدون خواندن همه تصویرها به متلب شناسایی کنیم؟
دستور fullfile
مثال از imageDataStore
استخراج یک تصویر از imds
دستور countEachLabel
دستور readimage
تقسیم داده ها به دو بخش آموزش و تست با دستورات متلب
ماتریس confusion
تشخیص خطاهای شبکه
کانال در لایه های شبکه
آموزش لایه کانولوشن
مفهوم فیلتر در لایه کانولوشن و filterSize
Stride در لایه کانولوشن
مفهوم downsampling
تعداد وزن ها در یک فیلتر
کانولوشن نوع Dilated
DilationFactor
مفهوم Feature Map
فرمول تعداد پارامترهای یک لایه کانولوشن
Zero Padding
فرمول تعداد نرونها
فرمول اندازه خروجی
لایه نرمالسازی دسته ای
مزیت های نرمالسازی در یادگیری عمیق
موقعیت بهینه لایه نرمالسازی
تئوری لایه ReLU
لایه های فعالسازی فعال
لایه leaky ReLU
لایه clipped ReLU
لایه نرمالسازی در طول کانال
آموزش Pooling ماکزیمم
آموزش pooling میانگین
مثال Pooling
وظیفه pooling
لایه Dropout
لایه Fully Connected
دلیل استفاده از Softmax در خروجی دسته بندی
آشنایی با لایه های یادگیری عمیق موجود در متلب 2020
لایه های ورودی
ورودی sequence
مفهوم ROI
لایه کانولوشن 2 بعدی
لایه کانالوشن 3 بعدی
لایه کانولوشن grouped
لایه کانالوشن transposed
لایه fullyconnected
لایه sequence
لایه LSTM و لایه bidirectional LSTM و لایه GRU
مفهوم flatten در یادگیری عمیق
لایه global pooling
لایه 2 بعدی unpooling
لایه های ترکیبی
لایه جمع کننده
لایه concatenation
لایه جمع کننده وزن دار
لایه های شناسایی شی
لایه GAN
لایه دسته بندی پیکسل
مثال عملی شناسایی شی جلوی دوربین وب کم متصل به کامپیوتر
شناسایی عینک آفتابی و خودکار و ماوس با یادگیری عمیق
مثال عملی یادگیری انتقالی Transfer Learning
تغییر کلاسهای خروجی شبکه یادگیری عمیق
مشخص کردن نام برای هر لایه
دستور imageDataAugmenter
دستور augmentedImageDataStore
مثال شناسایی چهره
مثال تشخیص بیماری کرونا
ابزار مدیریت تجربه
Experiment Manager
مقایسه مدلهای یادگیری عمیق
Version control در متلب
بهینه سازی پارامترهای یک مدل یادگیری عمیق
ایجاد experiment
قسمت Experiment Browser
تعیین پارامتر تغییر کننده
تعریف یک Experiment
Hyperparameter Table
Setup Function
تست چند شبکه یادگیری عمیق با هم
مرتب کردن نتایج حاصل از مدیریت تجربه

لینک سفارش

این فیلم آموزشی قسمت دوم از بسته آموزشی یادگیری عمیق می‌باشد. برای تهیه به بسته آموزشی جامع یادگیری عمیق بر روی تصویر زیر کلیک کنید:

نوشته پیاده سازی و برنامه نویسی MATLAB یادگیری عمیق اولین بار در ايران متلب. پدیدار شد.

بسته آموزشی جامع یادگیری عمیق Deep Learning

ایران متلب — Thu, 09 Apr 2020 14:08:04 +0000

هوش مصنوعی – یادگیری عمیق

یکی از زمینه های بسیار جذاب و پرکاربرد در قرن اخیر هوش مصنوعی می باشد. هم اکنون کاربردهای بسیار زیادی برای هوش مصنوعی در جهان اطراف ما قابل مشاهده است مثل ماشین های بدون راننده ، دستیاران صوتی، مترجم های آنلاین، رباتهای هوشمند، نرم افزارهای تشخیص بیماری ، الگوریتم های هوشمند داده کاوی، تشخیص چهره، ربات سخن گو، پیش بینی بورس و نمودارهای مالی .

هوش مصنوعی – یادگیری عمیق – کاربرد

هوش مصنوعی دانش بسیار گسترده ای می باشد که بخشی از آن یادگیری عمیق می باشد. یادگیری عمیق یکی از موضوعات بسیار داغ و جذاب می باشد که علاقه مندان بسیار زیادی پیدا کرده است. یکی از دلایل این علاقه سادگی کار و نتایج حیرت کننده حاصل از آن می باشد. به عنوان مثال برای تشخیص یک شی در تصویر، اگر بخواهید از روشهای قدیمی استفاده کنید باید استخراج ویژگی انجام دهید و سپس یک مدل دسته بندی کننده انتخاب کنید. این فرایند بسیار زمان بر و تخصصی می باشد و می بایست یک فرد متخصص نوع ویژگی ها و پارامترهای آنها را تنظیم کند. اما با یادگیری عمیق شما فقط کافی است که ساختار مدل خود را طراحی کنید و نیازی به مرحله استخراج ویژگی ندارید و تمامی فرایند توسط لایه های مدل یادگیری عمیق انجام می شود.

دلیل بعدی جذابیت کار در یادگیری عمیق ، مدلهای آماده بسیار زیاد موجود می باشد که فرایند طراحی و آموزش و تست را بسیار کوتاه می کند و شما با توجه به مفهوم transfer learning یک مدل آماده را برای کاربرد خود تغییر می دهید. یعنی دیگر لازم نیست چرخ را از اول اختراع کنید و همه فرایند سخت و طاقت فرسای طراحی مدل هوشمند خود را از صفر شروع کنید. الان مدلهای آماده ای وجود دارند که با دقت بالایی می توانند 1000 کلاس مختلف تصویری را شناسایی کنند. یعنی شما مدل را import می کنید و تصویر بهش می دهید و برای شما کار شناسایی را انجام می دهد. به عبارت ساده تر هولو برو تو گلو. 🙂

لینک سفارش

قسمت اول

مبانی و مقدمات یادگیری عمیق

قسمت دوم

پیاده سازی و برنامه نویسی در متلب

مدرس :

قیصری (مدیر گروه ایران متلب با سابقه 15 ساله در متلب و زبان های مختلف برنامه نویسی)

نوشته بسته آموزشی جامع یادگیری عمیق Deep Learning اولین بار در ايران متلب. پدیدار شد.

تشخيص چهره (Face Recognition)

ایران متلب — Sat, 31 Aug 2019 09:18:40 +0000

در دنياي به هم پيوسته و پيچيده امروزي، نگهداري و امنيت اطلاعـات ، بـس يار مهـم و مـشکل شـدهاست، هر چند وقت يکبار در مورد تبهکاري ها ي مربوط کارتهاي اعتبار ي، هك شدن کامپيوترها و نقض امنيت در شبکه ها و دولت ها، چيزهايي م ي شنويم. در بيشتر اين کلاهبرداري ها، افراد خاطي، به نحـو ي امنيت سيستم ها را با عبور از سد محافظت هاي از قبل تعيين شده، مورد دستبرد قرار داده اند.
تکنولوژيهاي جديد براي تعيين هو يت منحصر هر فرد ، بر پا يه روش هايBiometric بن يـ ان نهـادهشده ا ند. كه اين روش ها، روشهاي خودکـاري از بـازبيني و تـشخيص هو يـ ت موجـودات زنـده در زمينـهويژگيهاي ف يزيکي از قبيل اثر انگشت يا وضع يت چهره، و يا سا ير رفتارها ي افراد، از قب يل دست دادن، مي باشند. به اين دليل كه، ويژگي ها ي ف يزيکي خ يلي کمتر تغيير م ي کنند ، ولي موارد رفتاري ممکـن اسـتبه علت استرس، وضعيت روان ي شخص، يا موقع يت شخص به راحت ي دستخوش تغييـرات شـوند، در ميـ ان روش ها و متدهاي مختلف براي تعيين هويت ، روش هايي که از ويژگي ها ي فيزيکي استفاده مـ ي کننـد،علي رغم مشكلاتي كه هنگام پياده سازي وجود دارد، قابل اعتمادتر از آنهـايي هـستند کـه ويژگـ ي هـا ي فيزيولوژيکي(زيستي) را بكار مي گيرند.
با بررسي زندگي ديجيتالي بشر، به راحتي متوجه اين نكته خواهيم شد كه امـروزه بـشر بـا نيازهـا يي مواجه است که در سالهاي قبل اين ن يازها وجود نداشت. اين نيازها شامل سازمان، گروه و امنيت آنها مـ ي باشد. هميشه افزا يش جمع يت و تحرک آن در همه جهت ها، باعث بالا رفـتن راه هـا ي انتقـال و اشـتراکاطلاعات، شده است، که اين تغ يير مکان ها، در ساختارهاي پيچيده اي انجام مـ ي شـوند . همـانطور ي کـهتحرك، نشات گرفته از رفتارهاي انساني و اطلاعاتي است، امن يت ن يز اطلاعـات شخـصي و مقـاد ير آنهـا راشامل م ي شوند . در مح يط ها يي که اهميت امن يت و تشکيلات، افزا يش يافتـه اسـت، شناسـايي و تع يـي ن اعتبار در زمينه ها ي گوناگون ي از تکنولوژي ها توسـعه داده شـده انـد. کنتـرل ورود يهـا ي سـاختمان هـا،کنترل دسترس ي در کامپ يوترهاي عمومي، مثالهايي هستند كـ ه نـشان دهنـده تـشخيص هويـ ت و اعتبـارسنجي در جامعه کنوني مي باشند.
روش تشخيص چهره (Face Recognition) يکي از چنـد ين روش Biometric اسـت کـه داراي دقت بالا بوده و مي تواند تا مدت ها قابل اتکا باشد. برخلاف روش هاي د يگر اعتبار سنج ي که لازم بود تـاکاربر حداقل PIN و كلمه عبور، را به ياد داشته باشد، در روش هاي تشخيص چهره ، کاربر خيلي راحت با چهره خودش، مي تواند در پروسه اعتبار سـنج ي وارد شـود . در حـال حاضـر عـلاوه بـر ايـ ن کاربردهـا ي کلاسيک، برا ي تشخيص چهره ، اعتبار سنجي هاي جديدي پديدار شده اند. به طور نمونه، در بانک ها و يـ ا تأسيسات قضا يي که امنيت از ساير ادارات معمولي بالاتر است، امن يت ب يشتر توسط کامپيوترهـا ي ز يـ ادي که امروزه مجهز به چندين دورب ين م ي باشند، انجام مي شود . در ا ين حالت، يک نرم افزار تشخيص چهره، به صورت مداوم، آنچه که در جلوي دورب ين اتفاق مي افتد، را در کنترل داشته و در صورت برخورد بـا هـرگونه وضعيتي خارج از وضعيت از قبل تعيين شده، هشدارهاي لازم را اعلام مي نمايد.
در حال حاضر، چند ين روش براي سازمانده ي و طبقه بندي زمينـه هـاي مختلـف تـشخيص چهـره، امکان پذير مي باشد. به عنوان نمونه، الگوريتم هايي که با چهـره و محـ يط آن سـر و کـار دارنـد (هماننـدسيستم ها ي کنترل نشده)، بايد با الگوريتم هايي كه با سيستم هاي کنترل شده(هماننـد چـراغ راهنمـا و نورپردازي يک تئاتر ) كار مي كنند، متما يز گردند . همچنين سيستم ها يي که از يک يا چند تـصوير بـراي تشخيص چهره استفاده مي کنند، از سيستم هايي کـه از مقـادير پيوسـته و يـ دئويي اسـتفاده مـي کننـد،
متمــايز مــي شــوند. در صــورتيکه ايــن تفــاوت هــاي ســطح پــايين در مــشکلات ضــروري درFace Recognition حذف شوند، يـ ک گـروه بنـدي براسـاس سـه حالـتFrontal و Profile و View-Tolerant ارائه مي شود.
مي توان گفت كه الگوريتم ها ي تشخيص چهره، مدل هاي ساده هندسي را استفاده مـي کننـد، امـاپروسه تشخيص، امروزه در يک علم پيچيده ر ياضي و پروسه هاي Matching وارد شده است. بزرگتـر ين پيشرفت آنها در ساليان اخ ير، سوق دادن تکنولوژي تشخيص چهره ، به صحنههاي متا ثر از نور مـي باشـد،بدين ترتيب كه مي توان در شرايط نوري متفاوت نيز، پروسه تشخيص چهره را به نحو مطلوبي انجـام داد.
تشخيص چهره، مي تواند براي بازبيني (Verification)و تعيين هويت (Identification)، نيز بـه کـاربرده شود.
زمينه ها ي ز ياد تجار ي، براي ايجاد اينگونه نرم افزارها و امکان دسترسي به تکنولوژي هاي مورد نيـ از بعد از چندين سال تحقيق، دو دليل مهم براي تكيـه بـر اهميـتFace Recognition و ادامـه تـلاش براي داشتن سيستم هاي قوي تر مي باشد.
روش ها ي مطمئن زيادي از تشخيص بيومتريک اشخا ص، وجود دارد. ابر ي مثال، روش ها ي آناليز اثر انگشت يا بررس ي عنب يه و شبکيه، اشخاص هم اکنون وجود دارند. از آنجائ يکه يک تصو ير چهره، مي توانـداز روبرو يا ن يم رخ باشد، بيشتر اوقات بدون همکاري و حتي اط لاع شخص مورد نظر، عمل مي کند. جدول الف، تعدادي از برنامه هاي مربوط به Face Recognition را نشان مي دهد.

به دل يل وجود، برنامه هاي کاربرد ي متفاوت، گروه بندي هاي متفاوتي روي سيـ ستم هـا ي تـشخيصچهره، با توجه به دو خصيصه ثابت بودن(Static) و و يدئويي بودن تصوير(Dynamic)، انجام مـي شـود. در ا ين گروه ها، تفاوت هاي مهم ي براساس برنامه هاي کاربردي ويژه، وجود دارنـد . ايـ ن تفـاوت هـا، مـي توانند در زمينه کيفيت تصو ير، م يزان در هم ريختگي پشت زمينه، تغ ييرات تصاو يري کـه بايـ د تـشخ يص داده شود، در دسترس بودن يک مع يار خوب براي تشخ يص يا مطابقت تصاوير موجود با تصوير مورد نظـر،باشند. همچنين وضعيت، نوع و تعداد تصاويري که از يک شخص در دسترس است، مي تواند عوامل مهـمديگري، در گروه بندي باشند. جدول ب، شامل ليستي از اين انواع پروژه هاي کاربردي در زمينه تشخيص چهره مي باشد.

Commercial products	Websites
FaceIt from Visionics	http://www.FaceIt.com
Viisage Technology	http://www.viisage.com
FaceVACS from Plettac	http://www.plettac-electronics.com
FaceKey Corp.	http://www.facekey.com
Cognitec Systems	http://www.cognitec-systems.de
Keyware Technologies	http://www.keywareusa.com/
Passfaces from ID-arts	http://www.id-arts.com/
ImageWare Sofware	http://www.iwsinc.com/
Eyematic Interfaces Inc.	http://www.eyematic.com/
BioID sensor fusion	http://www.bioid.com
Visionsphere Technologies	http://www.visionspheretech.com/menu.htm
Biometric Systems, Inc	http://www.biometrica.com/
FaceSnap Recoder	http://www.facesnap.de/htdocs/english/index2.html
composite SpotIt for face	http://spotit.itc.it/SpotIt.html

جدول ب: چندين پروژه كاربردي (۳)

يک شرح عمومي از تشخيص چهره بوسيله يك ماشين اتوماتيك، معمولا بـه صـورت زيـ ر ارائـه مـيشود: با تصويرهاي ثابت يا متحرک داده شده از يک منظره، يک يا چند شخص که تصاوير آنهـا در پا يگـاهداده مشخص، موجود است، بايد بازبيني(Verify) يا تشخيص هويت (Identify) شوند . جداسازي تـصاو ير چهــره (Face Detection) از منظــره شــلوغ و پ يچيــده، اســتخراج تــصو ير چهــره (Feature Extraction) از محدوده هاي تصوير صورت، باعث كاهش جـستجو هـا و در نتيجـه بـالا رفـتن كـاراييبازبيني و تشخيص خواهد شد،(شکل ب).
در مسائل تعيين هو يت (Identification) ورودي س يستم، يک تصو ير ناشناخته است و سيستم آنرا به يک پا يگـاه داده، کـه شـامل اشـخاص شـناخته شـده مـي باشـد، ارجـاع مـ ي دهـد، در حال يکـه در Verification، سيستم به تأييد يا رد کردن، هويت شخص Identify شده ي ورودي نياز دارد.

شكل الف: نمايي از يك سيستم Face Recognition

در طي سـاليان اخيـر، بيـشتر تحقيقـات بوسـيله فيزيولوژيـ ستهـا و روانـشناسان و مهندسـان رويموضوعات مختلف از تشخيص چهره بوسيله ماشـين و انـسان، صـورت گرفتـه اسـت. فيزيولوژيـست هـا وروانشناسان به اين که آيا، تشخيص چهره يک پروسه اختصاصي است يا اينکه آيا مي تواند بوسـيله آنـاليزچهره انجام شود، اهميت مي دهند. اگر چه بسياري از اين تئـوري هـا و فرضـيه هـا روي مجموعـه اي ازتصاوير کوچک، بررسي شده اند، ولي بسياري از يافته ها، دستاوردهاي مهمي به حساب مي آيند. چرا کـهمهندسين بر اساس آن تصميم مي گيرند که چگونه الگوريتم و سيستم هايي جهت تشخيص هويت آمـادهکنند.

نوشته تشخيص چهره (Face Recognition) اولین بار در ايران متلب. پدیدار شد.

مشاوره پروژه پایتون

ایران متلب — Wed, 20 Jun 2018 13:46:04 +0000

یک برنامه نویس پایتون با تجربه زیاد در برنامه نویسی آماده انجام پروژه های پایتون می باشد :

برخی از زمینه های کاری :

شبکه های عصبی در پایتون

پردازش تصویر با پایتون

Pandas

یادگیری عمیق در پایتون

یادگیری ماشین در پایتون

ارتباط :

matlab120[[attt]] gmail [[[dot]] com

نوشته مشاوره پروژه پایتون اولین بار در ايران متلب. پدیدار شد.

آموزش فارسی پردازش سیگنال دیجیتال با متلب

ایران متلب — Sun, 17 Dec 2017 15:05:05 +0000

اكثر سيگنال هاي مورد استفاده در عمل، در حوزه زمان هستند. به عبارت ديگر، درا یه هاي سيگنال، جداي از آنچه سيگنال مورد بحث اندازه گيري ميكند ، تابعيت زماني خواهد داشت. بدين سان به هنگام رسم سيگنال، دامنه مقادير مختلف سيگنال بر حسب زمان رسم مي گردند. طبيعتاً اين نحوه نمايش، بهترين شكل براي توصيف يك سيگنال نخواهد بود. در بسياري موارد، اطلاعات سودمند سيگنال در محتواي فركانسي آن نهفته اند كه اصطلاحاً به آن، طيف سيگنال گفته ميشود. به بيان ساده، طيف يك سيگنال نشان دهنده فركانس هاي موجود در آن سيگنال است. جهت دست یابی یه این اطلاعات نهفته شده در درون سیگنال تبدیلات ریاضیاتی متنوعی در طول سال های متمادی معرفی شده اند تا ما را در رساندن به مقصود یاری کنند .

امروزه پردازش های سیگنال های دیجیتال را در بیشتر ابزارهای اطراف خود از قبیل موبایل ، دوربین دیجیتال ، تبلت و تلویزیون و … استفاده می شود.

پردازندهای سیگنال دیجیتال سیگنال های دنیای واقعی مانند صدا ، صوت ، ویدئو ، دما ، فشار یا موقعیت را به فرم دیجیتال تبدیل می کنند و بر روی آنها عملیات ریاضی انجام می دهند.

تولباکس DSP متلب ، الگوریتم ها، ابزارهایی برای طراحی ، شبیه سازی و آنالیز سیستم های پردازش سیگنال در متلب و سیمولینک ارائه می دهد. شما می توانید از این تولباکس برای مدلسازی سیستم های DSP برخط مانند سیستم های مخابراتی ، رادار، صوتی ، وسایل پزشکی ، اینترنت اشیا و دیگر کاربردها استفاده کنید.

با این تولباکس شما می توانید فیلترهای وفقی ، چند مرحله ای ، چند نرخی ، IIR ، FIR را طراحی و آنالیز کنید. شما می توانید سیگنال ها را از متغییرها ، فایلهای دیتا و وسایل داخل شبکه وارد محیط متلب کنید.

این تولباکس ابزارهایی مانند اسکوپ (Time Scope) ، آنالیزر طیفی (Spectrum Analyzer) ، آنالیز منطقی (Logical Analyzer) در اختیار شما قرار می دهد تا بتوانید به صورت دینامیک سیگنالها را مشاهده و اندازه گیری کنید.

لینک دانلود

معرفی این فیلم آموزشی :

لینک دانلود فیلم معرفی (کیفیت بالا)

نوشته آموزش فارسی پردازش سیگنال دیجیتال با متلب اولین بار در ايران متلب. پدیدار شد.

شناسایی قرنیه با فیلتر گابور

ایران متلب — Tue, 03 Oct 2017 12:47:36 +0000

لینک دانلود

یکی از روشهای شناسایی افراد استفاده از قرنیه می باشد.
در این پروژه متلب از فیلتر گابور برای شناسایی قرنیه استفاده شده است.

نوشته شناسایی قرنیه با فیلتر گابور اولین بار در ايران متلب. پدیدار شد.

آموزش فارسی پردازش تصویر با پایتون

ایران متلب — Mon, 25 Sep 2017 20:03:44 +0000

یکی از زمینه های تحقیقاتی و کابردی بسیار مهم و جالب ، حوزه پردازش تصویر و ماشین بینایی می باشد. الگوریتم های بسیار زیادی تاکنون در این زمینه معرفی شده و کابردهای بسیار مهمی برای آن پیدا شده است. یکی از مثالهای بسیار به روز این حوزه مثال ماشین های خود ران می باشند. این ماشین ها دارای راننده نیستند و خودشان بر اساس اطلاعاتی که از دوربین ها و سنسورهای خود دریافت می کنند، مسیر حرکت خود را تشخیص می دهند. در زیر ماشین خود ران شرکت گوگل را مشاهده می کنید.

گروه ایران متلب قبلا آموزش پردازش تصویر و ماشین بینایی در متلب را برای استفاده کاربران عزیز و محترم خود تهیه کرده بود. اکنون آموزش پردازش تصویر و ماشین بینایی در زبان برنامه نویسی پایتون تهیه شده است.
ما در این آموزش از نسخه 3 کتابخانه opencv استفاده کرده ایم. این کتابخانه یکی از مشهورترین مجموعه توابع آماده پردازش تصویر می باشد. ما آنرا در پایتون نصب خواهیم کرد و به شما نحوه کار با آنرا آموزش می دهیم.
به جرات می توان گفت که این آموزش بسیار شیرین و ساده می باشد و تمامی علاقه مندان می توانند از آن استفاده کنند.

لینک دانلود

شاید برای شما این سوال پیش بیاید که مزیت پایتون نسبت به متلب در پیاده سازی الگوریتم های پردازش تصویر چیست ؟
1 ) برنامه پردازش تصویری که شما با زبان پایتون می نویسید بر روی هر سیستم عامل دیگری قابل اجرا می باشد اما کد متلب تنها بر روی سیستمی اجرا می شود که متلب نصب باشد.
2) ما در آموزش های بعدی قصد داریم کار با بردهای آماده مانند Raspberry Pi را برای شما تهیه کنیم. اگر با پایتون برنامه های پردازش تصویر نوشته باشید، آموزش کار با این بردها مثل آب خوردن برای شما می شود.

3) متلب یک نرم افزار تجاری است و شما باید برای آن پول پرداخت کنید اما پایتون کاملا رایگان است.

پیش نیازها :

آموزش برنامه نویسی پایتون : مشخصه دیگه تا پایتون بلد نباشید، میخواهید چه جور پردازش تصویر در پایتون کار کنید ؟
محاسبات عددی در پایتون : این یکی از ابزارهای پایه کاربردهای مهندسی می باشد که هر برنامه نویس پایتون باید آن را بلد باشد.
خواستن : این را دیگه شوخی نوشتم ولی تا نخواهید یاد بگیرید، کسی نمیتونه چیزی را به زور به شما یاد بدهد.

لینک دانلود

پیش نمایش 1 :

لینک دانلود پیش نمایش (کیفیت بالا)

پیش نمایش 2 :

لینک دانلود پیش نمایش (کیفیت بالا)

پیش نمایش 3 :

لینک دانلود پیش نمایش (کیفیت بالا)

پیش نمایش 4 :

لینک دانلود پیش نمایش (کیفیت بالا)

نوشته آموزش فارسی پردازش تصویر با پایتون اولین بار در ايران متلب. پدیدار شد.

کد متلب دسته بندی اثرانگشت

ایران متلب — Sat, 19 Aug 2017 16:54:58 +0000

یکی از مراحل مهم در شناسایی اثرانگشت، دسته بندی اثرانگشت می باشد.
ابتدا تمام تصاویر موجود را تک تک می خوانیم و به تصویر دو بعدی تبدیل می کنیم و برای بالا بردن کیفیت تصاویر از روش یکسان سازی هیستوگرام استفاده می کنیم و سپس تصاویر را هم اندازه می کنیم.

لینک دانلود

سپس ماتریس co-occurrence را از تصاویر در 4 جهت استخراج می کنیم و از هریک ویژگیهای ‘Correlation’,’Energy’,’Homogeneity’ را استخراج می کنیم. این کار را برای تمامی تصاویر انجام می دهیم.سپس از هر کلاس 15 تصویر انتخاب می کنیم و ویژگیهای استخراج شده را جهت آموزش به شبکه می دهیم و بقیه تصاویر موجود را جهت تست شبکه عصبی مورد استفاده قرار می دهیم.

یک فایل word در کنار این کد قرار دارد که خط به خط کدها را توضیح می دهد.

نوشته کد متلب دسته بندی اثرانگشت اولین بار در ايران متلب. پدیدار شد.

شناسایی قرنیه با تبدیل کرولت

ایران متلب — Sat, 19 Aug 2017 16:37:32 +0000

این پروژه اختصاص به نحوه استفاده از متلب برای شناسایی قرنیه می باشد.

لینک دانلود

الگوریتم استفاده در این پروژه تبدیل کرولت curvelet transform می باشد.

نوشته شناسایی قرنیه با تبدیل کرولت اولین بار در ايران متلب. پدیدار شد.

آموزش فارسی شناسایی و استخراج ویژگی در بینایی ماشین

ایران متلب — Thu, 29 Jun 2017 19:03:08 +0000

این مجموعه آموزشی بخش اول بسته آموزشی جامع ماشین بینایی می باشد که اختصاص به تشخیص ویژگی و استخراج ویژگی دارد.
در شکل زیر فلوچارت یک سیستم بینایی ماشین یا پردازش تصویر را مشاهده می کنید:

در مرحله ابتدایی تصویر گرفته شده و سپس پیش پردازش بر روی تصویر ورودی انجام می شود. سپس بخش مهم یک الگوریتم پردازش تصویر یعنی شناسایی و استخراج ویژگی انجام می شود. هدف از این بخش تولید بردار ویژگی جهت اعمال به دسته بندی کننده یا تشخیص دهنده می باشد.
اگر بخش استخراج ویژگی به درستی انجام نشود ، راندمان کل سیستم دچار مشکل می شود. لذا هر فردی که دارد بر روی یک الگوریتم پردازش تصویر کار می کند باید روش خوب و قوی برای این بخش انتخاب کند.

کاربردهای ویژگیهای محلی در تثبت تصویر ، شناسایی شی ، دسته بندی ، ردیابی و تخمین حرکت می باشند.
یکی از مشکلات کار در پردازش تصویر غلبه بر تغییرات اندازه و چرخش شی و انسداد آن می باشد. الگوریتم های جدید از ویژگیهای محلی برای غلبه بر این مشکلات استفاده می کنند.برخی از این ویژگی ها با تغییر اندازه شی ، هیچ تغییری نمی کنند.

تولباکس ماشین بینایی متلب شامل روش های تشخیص گوشه
FAST ، Harris ، Shi & Tomasi می باشد. این تولباکس هم چنین روشهای تشخیص دایره شامل SURF ، MSER نیز دارا می باشد.

این تولباکش دارای الگوریتم های استخراج ویژگی شامل SURF ، FREAK ، BRISK ، LBP و HOG می باشد. شما می توانید از این روشهای استخراج ویژگی به تنهایی استفاده کنید یا چند مورد را با هم ترکیب کنید و بردار ویژگی نهایی شما شامل چندین ویژگی باشد.

پیش نمایش 1

لینک دانلود (کیفیت بالا)

پیش نمایش 2

لینک دانلود (کیفیت بالا)

پیش نمایش 3

لینک دانلود (کیفیت بالا)

پیش نمایش 4

لینک دانلود (کیفیت بالا)

پیش نمایش 5

لینک دانلود (کیفیت بالا)

پیش نمایش 6

لینک دانلود (کیفیت بالا)

پیش نمایش 7

لینک دانلود (کیفیت بالا)

نوشته آموزش فارسی شناسایی و استخراج ویژگی در بینایی ماشین اولین بار در ايران متلب. پدیدار شد.