تبلیغات
اندیشه نو - کسب مقام برتر مسابقات هوش مصنوعی امیرکبیر توسط دانشجوی افغانستانی
 
اندیشه نو
درصد کمی از انسان ها نود سال زندگی میکنند،ما بقی یک سال را نود بار تکرار میکنند!
درباره وبلاگ


کانون دانشجویان افغانستانی دانشگاه پیام نور کرج واحد هشتگرد(اندیشه نو)
فعالیت این وبلاگ صرفا تحلیل و نقدی بر اخبار و مسائل پیرامون دانشجویان پناهنده افغانستانی است

درصورت تمایل به همکاری باما تماس بگیرید.
f.qasemi73@gmail.com

مدیر وبلاگ : علیرضا کریمی


پنجمین دوره مسابقات بین المللی رباتیک جام دانشگاه صنعتی امیرکبیر (AUTCup 2015)، سومین دوره مسابقات بین المللی هوش مصنوعی جام دانشگاه صنعتی امیرکبیر (AAIC 2015) و اولین دوره مسابقات آزاد فیراکاپ ۲۰۱۵ (IRAN FIRACup Open ۲۰۱۵) ، با همکاری فدراسیون جهانی رباتیک فیرا (FIRA) و در قالب ۱۴ رشته مسابقات رباتیک و ۷ رشته مسابقات هوش مصنوعی طراحی و در ۲۳ الی ۲۸ آبان ماه ۱۳۹۴ در دانشگاه امیرکبیر برگزار شد.

مسابقات هوش مصنوعی امیرکبیر (مهما) مجموعه‌ای از مسابقات سالانه مرتبط با حوزه هوش مصنوعی است که از سال ۱۳۹۱ در دانشگاه صنعتی امیرکبیر برگزار می‌گردد. نخستین دوره این مسابقات در آبان ماه ۱۳۹۱ در هفت رشته و دومین دوره آن در آبان ۱۳۹۲ در ده رشته مختلف برگزار گردید. بعد از یک وقفه یک ساله، سومین دوره این مسابقات در آبان ۱۳۹۴ در ده رشته برگزار گردید.

تیم رگا از کشور افغانستان به سرپرستی محمد رضا علیزاده دانشجوی مهندسی برق دانشگاه قم، که در رشته “تشخیص چهره در تصاویر” در مسابقات هوش مصنوعی شرکت کرده بود، توانست در میان ۲۶ تیم شرکت کننده حائز مقام برتر شود.

شرح مسابقه:

یکی از پیچیده­ ترین قابلیت­های سیستم بینایی انسان، قابلیت شناسایی چهره افراد مختلف است، تا جایی که گاهی با دیدن تنها یک تصویر از چهره یک فرد ناشناس، مغز انسان قادر است چهره آن فرد را که در حالت دیگری تصویر­برداری شده است (مثلا از زاویه­ای دیگر و با شرایط نوری متفاوت) در کوتاه­ترین زمان ممکن، شناسایی کند

هدف از این مسابقه، ارائه روش­هایی برای شناسایی خودکار چهره انسان است. قبل از برگزاری مسابقه،  نمونه‌هایی از تصویر چهره چند فرد در اختیار هر یک از تیم‌ها قرار داده می‌شود. در زمان برگزاری مسابقه، تعدادی تصویر در اختیار هر یک از تیم‌ها قرار داده می‌شود و برنامه هر یک از تیم‌ها می‌بایست چهره هر یک از افراد از قبل تعیین شده را در تصاویر مورد نظر جستجو و نتایج جستجوی خود را گزارش کند. در صورت یافتن چهره هر یک از افراد مورد نظر در یک تصویر باید شماره فرد مربوطه (طبق شماره­گذاری که در مجموعه آموزشی از قبل تعیین شده است) و در صورت عدم یافتن صورت انسان و یا عدم شناسایی فرد، مقدار ۱- گزارش می شود.

این مسابقه در دو مرحله برگزار میشود:

مرحله اول: تصاویر چهره تمام رخ:

در این بخش، تصاویری از چهره تمام رخ افراد مورد استفاده قرار میگیرد. از هر فرد، قبل از برگزاری مسابقه، تعدادی تصویر تمام رخ برای مرحله آموزش در اختیار تیم ها قرار داده شده است و در زمان مسابقه نیز تنها تصویر تمام رخ برای آزمایش برنامه تیم­ها در اختیار قرار داده میشود.

مرحله دوم: تصاویر چهره دارای زاویه

در این بخش، تصاویری از چهره افراد در زوایای مختلف مورد استفاده قرار میگیرد. از هر فرد، قبل از برگزاری مسابقه، تعدادی تصویر دارای زاویه های مختلف برای مرحله آموزش و تعدادی نیز در زمان برگزاری مسابقه در اختیار تیم ها قرار داده خواهد شد. میزان زاویه صورت در هر یک از جهات Pitch، Roll و Yaw در زمان برگزاری مسابقه به اندازه­ای است که در تصاویر آموزشی (که از قبل در اختیار تیم ها قرار داده شده) موجود است.

داده ها

داده­هایی که در این مسابقه مورد استفاده قرار می­گیرند دارای ویژگی­های زیر هستند.

  • همه تصاویر رنگی هستند.
  • فرمت ذخیره سازی تصاویر BMP می­باشد.
  • هیچ فرضی در مورد زمینه تصاویر وجود ندارد.
  • در هر تصویر حداکثر یک چهره وجود دارد.
  • نسبت طول و عرض چهره به طول و عرض تصویر بیش از ۰٫۱ است. (عملیات تشخیص صورت نیز باید توسط برنامه ها به صورت خودکار انجام شود)
  • حداکثر زاویه در چهره­هایی که تمام رخ نیستند بدین شرح است:
    • Yaw: 45 درجه
    • Pitch: 30 درجه
    • Roll: 10 درجه
  • شرایط نورپردازی متغیر است. (ممکن است نورپردازی در تصاویر آموزشی و آزمایشی یکسان نباشد)
  • وجود عینک در چهره افراد محتمل است.

راه حل ارائه شده توسط تیم رُگا (Roga)

چهار چوب اصلی روش مورد استفاده بصورت زیر میباشد

detect  align  represent  classify

Detect

در این قسمت باید در تصویر مورد نظر تشخیص دهیم آیا چهره ی انسانی وجود دارد یا خیر و سپس مکان چهره را پیدا کنیم

Face Alignment

در این قسمت عمل حذف زاویه از تصویر انجام میگیرید که اصطلاحا به آن Frontalization میگوییم.به این معنی که اگر چهره دارای زاویه باشد (نیم رخ باشد) با استفاده از الگوریتمی تصویر از نمای روبرو برای آن بدست می آوریم.عمل فرانتال کردن چهره، سرعت و دقت شناسایی را تا حد بسیار زیادی بالا میبرد.


represent  classify

این دو قسمت مربوط به شبکه عصبی میباشد که به نوعی قسمت اصلی روش مارا تشکیل میدهند.شبکه ی عصبی مصنوعی دانشی است که با الگوبرداری از سیستم مغز انسان قابلیت یادگیری را به الگوریتم میدهد.تاریخچه ی استفاده از شبکه عصبی به بیش از پنجاه سال پیش باز میگردد.معماری شبکه عصبی ای که ما در روش خود استفاده کردیم شبکه عصبی ژرف(Deep neural network)  میباشد که کمتر از ده سال است که مورد استفاده قرار میگیرد.مهمترین قابلیتی که این معماری از شبکه عصبی به دست میدهد استخراج ویژگی و طبقه بندی است.

نحوه ی استفاده از شبکه عصبی ژرف برای شناسایی چهره

ابتدا تعداد  بسیار زیادی از تصاویر برچسب دار(عکسایی که نام صاحب آنها مشخص باشد) را توسط شبکه عصبی آموزش میدهیم.مقاله ی اصلی دیتابیسی شامل ۴۰۰۰٫۰۰۰ عکس مربوط به ۴۰۰۰ نفر را آموزش داده بود.که در ما فقط روی ۲۵۰۰ عکس شبکه ی خود را آموزش دادیم.بعد از اینکه شبکه آموزش دید با استفاده از بردار ویژگی ای که شبکه بدست میدهد میتوان دو چهره ی متفاوت را باهم مقایسه کرد.

اعضای گروه رگا:

محمدرضا علیزاده (سرپرست)

مصطفی اطهری انارکی





نوع مطلب : اخبار مهاجرین و پناهندگان، اخبار دیگر دانشگاهها، 
برچسب ها :
لینک های مرتبط :
سه شنبه 6 مهر 1395 08:13 ب.ظ
زنده باد.
شنبه 7 آذر 1394 06:49 ب.ظ
سلام
ممنون از مطالب مفیدتون
خوشحال میشم به منم سر بزنید
http://zoanshop.ir
فاطمه قاسمیسلام
خواهش میشه
 
لبخندناراحتچشمک
نیشخندبغلسوال
قلبخجالتزبان
ماچتعجبعصبانی
عینکشیطانگریه
خندهقهقههخداحافظ
سبزقهرهورا
دستگلتفکر


آمار وبلاگ
  • کل بازدید :
  • بازدید امروز :
  • بازدید دیروز :
  • بازدید این ماه :
  • بازدید ماه قبل :
  • تعداد نویسندگان :
  • تعداد کل پست ها :
  • آخرین بازدید :
  • آخرین بروز رسانی :