ridm@nrct.go.th   ระบบคลังข้อมูลงานวิจัยไทย   รายการโปรดที่คุณเลือกไว้

การคัดเลือกปริภูมิย่อยความละเอียดสูงยิ่งยวดที่ดีที่สุดในการรู้จำใบหน้าและเป้าหมายอัตโนมัติ: วิธีปฏิบัติด้วยคลาสของการวิเคราะห์สหสัมพันธ์มุขสำคัญระบุทิศทาง

หน่วยงาน สำนักงานกองทุนสนับสนุนการวิจัย

รายละเอียด

ชื่อเรื่อง : การคัดเลือกปริภูมิย่อยความละเอียดสูงยิ่งยวดที่ดีที่สุดในการรู้จำใบหน้าและเป้าหมายอัตโนมัติ: วิธีปฏิบัติด้วยคลาสของการวิเคราะห์สหสัมพันธ์มุขสำคัญระบุทิศทาง
นักวิจัย : วิทยากร อัศดรวิเศษ
คำค้น : การคัดเลือกปริภูมิย่อยความละเอียดสูงยิ่งยวด , สหสัมพันธ์มุข
หน่วยงาน : สำนักงานกองทุนสนับสนุนการวิจัย
ผู้ร่วมงาน : -
ปีพิมพ์ : 2556
อ้างอิง : http://elibrary.trf.or.th/project_content.asp?PJID=MRG5080427 , http://research.trf.or.th/node/6371
ที่มา : -
ความเชี่ยวชาญ : -
ความสัมพันธ์ : -
ขอบเขตของเนื้อหา : -
บทคัดย่อ/คำอธิบาย :

วัตถุประสงค์ของโครงการวิจัยนี้ เพื่อศึกษาการปรับปรุงสมรรถนะของ การวิเคราะห์ส่วนประกอบมุขสำคัญสองมิติ (two-dimensional principal component analysis :2DPCA) และส่วนขยาย ทั้งในทางทฤษฏี และ การคำนวณเชิงเลข โดยเทคนิคการสร้างคืนความละเอียดสูงยวดยิ่ง และ การคัดเลือกตัวแปร การศึกษานี้จะเน้นการประยุกต์ใช้ในการรู้จำภาพใบหน้าและเป้าหมายทางทหาร โดยการใช้ฐานข้อมูลมาตรฐาน เช่น Yale, AR, ORL และ MSTAR 2DPCA ประสบความสำเร็จในการประยุกต์ใช้งานกับปัญหาการรู้จำรูปแบบสองมิติ โดยเฉพาะการเข้าใจภาพ ในการศึกษานี้ เราได้ผัน 2DPCA แบบระบุทิศจาก 2DPCA แนวขวาง นอกจากนั้น เราได้นำเสนอ 2DPCA ไขว้ ที่ได้จากการปรับปรุง เมทริกซ์ความแปรปรวนร่วมเกี่ยวของ PCA อย่างมีแบบแผน เรายังได้พบว่า ทั้ง 2DPCA แบบระบุทิศ และ ไขว้ ต่างก็มีความเป็นไปได้ทางชีวภาพของการมองเห็น ด้วยเหตุผลหลายประการที่สามารถอธิบายได้ ว่า 2DPCA น่าจะทำงานคล้ายกับระบบมองเห็นของเรา โดยเฉพาะมีการพบว่า เซลในจอประสาทตาและทางเดินของการมองเห็นของสัตว์ลี้ยงลูกด้วยนมส่วนใหญ่ มีลักษณะที่อ่อนไหวต่อทิศ ระบบจำแนกแบบหลายตัวได้ถูกนำเสนอเนื่องมาจากเหตุผลที่ว่า ปมประสาท โดยส่วนใหญ่ทำงานแบบไม่สมมาตร และ เป็นอิสระต่อกัน ดังนั้น วิธีจำแนกเชิงองค์คณะหลายวิธีจึงได้ถูกศึกษา เช่น วิธีปริภูมิสุ่ม (random subspace method) หรือ การรวมแบบคัดเลือกตัวบ่งต่าง เงื่อนไขที่ใช้ในการรวมแบบคัดเลือกตัวบ่งต่าง ได้แก่ ระยะห่าง Kullback-Leibler อีกแง่หนึ่งที่รวมอยู่ในการศึกษาครั้งนี้ ได้แก่ การศึกษาถึงคุณสมบัติการเลือกสรรที่ขึ้นกับทิศของภาพธรรมชาติ ในที่นี้ เราอาจสร้าง เมทริกซ์ความแปรปรวนร่วมเกี่ยวไขว้สองมิติ จาก เมทริกซ์ความแปรปรวนร่วมเกี่ยวหนึ่งมิติ โดยการใช้เวฟเลตระบุทิศ ด้วยวิธีนี้ เราจะสามารถสร้าง 2DPCA แบบใหม่ เพื่อแทนที่ 2DPCA แบบระบุทิศ และ ไขว้ ที่กล่าวมาก่อนหน้านี้ ผลของการศึกษาอย่างกว้างขวางของเราก่อให้เกิดปัญหาวิจัยเปิดมากมายที่น่าจะศึกษาต่อไปในอนาคต The aim of this project is to theoretically and numerically study the performance improvement of two-dimensional principal component analysis (2DPCA) and its variants by employing super-resolution techniques and variable selection methods. This study will mainly focus on face and automatic target recognition applications using standard databases as Yale, AR, ORL and MSTAR. 2DPCA has been successfully applied to various two-dimensional pattern recognition problems, especially in image understandings. In this study, we derive directional 2DPCA from diagonal 2DPCA. Furthermore, we introduce crossed-2DPCA by modifying the PCA covariance matrix heuristically. We also investigate and find out that both directional and crossed-2DPCA are biological plausible. There are quite a number of explainable reasons that 2DPCA use be used to imitate our vision systems. In particular, cell in major vertebrate retina and visual pathways as well as our proposed 2DPCA are directionally selective. Multiple classifier systems has been proposed to use based on the fact that all ganglion are working irregularly and independently. This way, several ensemble-based classification methods have been investigated, such as random subspace method and feature selective combining. The criteria used for our feature selective combining is Kullback-Leibler distance. Another issue that will be included in this study is to study the property of the directional selectivity of natural image. Here, the new 2D cross-covariance matrices can be constructed from 1-D covariance matrix using directional wavelet. This way, we can get new directional 2DPCA to replace the above directional and crossed-2DPCA. Our extensive study posed many open research problems that should be investigated in the future.

บรรณานุกรม :
วิทยากร อัศดรวิเศษ . (2556). การคัดเลือกปริภูมิย่อยความละเอียดสูงยิ่งยวดที่ดีที่สุดในการรู้จำใบหน้าและเป้าหมายอัตโนมัติ: วิธีปฏิบัติด้วยคลาสของการวิเคราะห์สหสัมพันธ์มุขสำคัญระบุทิศทาง.
    กรุงเทพมหานคร : สำนักงานกองทุนสนับสนุนการวิจัย.
วิทยากร อัศดรวิเศษ . 2556. "การคัดเลือกปริภูมิย่อยความละเอียดสูงยิ่งยวดที่ดีที่สุดในการรู้จำใบหน้าและเป้าหมายอัตโนมัติ: วิธีปฏิบัติด้วยคลาสของการวิเคราะห์สหสัมพันธ์มุขสำคัญระบุทิศทาง".
    กรุงเทพมหานคร : สำนักงานกองทุนสนับสนุนการวิจัย.
วิทยากร อัศดรวิเศษ . "การคัดเลือกปริภูมิย่อยความละเอียดสูงยิ่งยวดที่ดีที่สุดในการรู้จำใบหน้าและเป้าหมายอัตโนมัติ: วิธีปฏิบัติด้วยคลาสของการวิเคราะห์สหสัมพันธ์มุขสำคัญระบุทิศทาง."
    กรุงเทพมหานคร : สำนักงานกองทุนสนับสนุนการวิจัย, 2556. Print.
วิทยากร อัศดรวิเศษ . การคัดเลือกปริภูมิย่อยความละเอียดสูงยิ่งยวดที่ดีที่สุดในการรู้จำใบหน้าและเป้าหมายอัตโนมัติ: วิธีปฏิบัติด้วยคลาสของการวิเคราะห์สหสัมพันธ์มุขสำคัญระบุทิศทาง. กรุงเทพมหานคร : สำนักงานกองทุนสนับสนุนการวิจัย; 2556.