دانلود مقاله ISI انگلیسی شماره 129857
ترجمه فارسی عنوان مقاله

شبکه چند عاملی مبتنی بر یادگیری مبتنی بر چند عاملی برای طبقه بندی ویژگی های صورت

عنوان انگلیسی
Multi-label learning based deep transfer neural network for facial attribute classification
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
129857 2018 44 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 12815 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 70 تومان 20 روز بعد از پرداخت 897,050 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 140 تومان 10 روز بعد از پرداخت 1,794,100 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Pattern Recognition, Volume 80, August 2018, Pages 225-240

ترجمه کلمات کلیدی
انتقال یادگیری، طبقه بندی ویژگی های صورت، یادگیری چند برچسب، یادگیری عمیق، شبکه های عصبی انعقادی،
کلمات کلیدی انگلیسی
Transfer learning; Facial attribute classification; Multi-label learning; Deep learning; Convolutional neural networks;
پیش نمایش مقاله
پیش نمایش مقاله  شبکه چند عاملی مبتنی بر یادگیری مبتنی بر چند عاملی برای طبقه بندی ویژگی های صورت

چکیده انگلیسی

Deep Neural Network (DNN) has recently achieved outstanding performance in a variety of computer vision tasks, including facial attribute classification. The great success of classifying facial attributes with DNN often relies on a massive amount of labelled data. However, in real-world applications, labelled data are only provided for some commonly used attributes (such as age, gender); whereas, unlabelled data are available for other attributes (such as attraction, hairline). To address the above problem, we propose a novel deep transfer neural network method based on multi-label learning for facial attribute classification, termed FMTNet, which consists of three sub-networks: the Face detection Network (FNet), the Multi-label learning Network (MNet) and the Transfer learning Network (TNet). Firstly, based on the Faster Region-based Convolutional Neural Network (Faster R-CNN), FNet is fine-tuned for face detection. Then, MNet is fine-tuned by FNet to predict multiple attributes with labelled data, where an effective loss weight scheme is developed to explicitly exploit the correlation between facial attributes based on attribute grouping. Finally, based on MNet, TNet is trained by taking advantage of unsupervised domain adaptation for unlabelled facial attribute classification. The three sub-networks are tightly coupled to perform effective facial attribute classification. A distinguishing characteristic of the proposed FMTNet method is that the three sub-networks (FNet, MNet and TNet) are constructed in a similar network structure. Extensive experimental results on challenging face datasets demonstrate the effectiveness of our proposed method compared with several state-of-the-art methods.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 12815 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 70 تومان 20 روز بعد از پرداخت 897,050 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 140 تومان 10 روز بعد از پرداخت 1,794,100 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.