پردازش علایم و داده ها
سال:1391 | دوره:- | شماره:1 (پیاپی 17) |تعداد مقالات:6

تحلیل و ضبط خودکار حرکت انسان بر اساس تصاویر یا ویدئو به دلیل کاربردهای بسیار زیاد در پویانمایی، نظارت، بیومکانیک، تعامل بین انسان و رایانه، صنعت بازی و سرگرمی اهمیت بسیار زیادی در بینایی رایانه دارد. در این کاربردها، تخمین حالت سه بعدی انسان از قسمت های اساسی می باشد و به همین دلیل دقت تخمین بر عملکرد این کاربردها تاثیر زیادی دارد. تخمین حالت سه بعدی انسان از مشاهدات تصویری با توجه به بازه وسیع تغییرات در ظاهر و مفصل بندی انسان، ابعاد بالا در فضای حالت انسان و پدیده خود انسدادی، یک مساله بحث برانگیز است. در این مقاله، روشی جدید برای تخمین حالت سه بعدی انسان در رشته ویدئویی چنددوربینی معرفی می شود. در روش پیشنهادی، به جای جستجوی مستقیم فضای حالت ابعاد بالای انسان و استفاده از الگوریتم های استنتاج پیچیده، از یک روش جستجوی سلسله مراتبی، توابع هدف جداگانه برای قسمت های مختلف بدن و روش های بهینه سازی مستقیم استفاده شده است. مزایای روش پیشنهادی، ارزش دهی اولیه خودکار، برچسب زنی قسمت های مختلف کانتور بدن و استفاده از توابع هدف جداگانه برای قسمت های مختلف بدن است. نتایج آزمایش، نشان می دهد که روش پیشنهادی می تواند به طور موثری به عنوان یک سامانه بدون نشانه برای تخمین حالت سه بعدی انسان در رشته ویدئویی چنددوربینی بکار گرفته شود.

در این مقاله نشان داده ایم که مساله استخراج با مربی گرامر برای گرامرهای زبان طبیعی، می تواند به عنوان ترکیبی پیچیده از تعداد زیادی مساله انتخاب مدل تعریف شود. مسائل انتخاب مدل به مسائلی گفته می شود که در آن ها میان مدل هایی با پیچیدگی آماری متفاوت تصمیم گیری می شود. برای ارائه مدل مورد نظر، ابتدا یک مدل بیزی از فرایند شناختی انتخاب مدل را معرفی کرده ایم. این مدل مساله انتخاب مدل را با تطابق بیشتر با رفتار انسان حل می کند. سپس با استفاده از تعمیم یافته مدل بیزی، که فرایند دریکله است، به همراه مفهوم گرامرهای مبتنی بر سابقه، یک مدل بیزی مبتنی بر سابقه برای استخراج با مربی گرامر ارائه کرده ایم. نتایج آزمایشی که با این مدل روی یک پیکره استاندارد برای زبان انگلیسی صورت گرفته است، در مقایسه با مدل مرجع طبق معیار F1 به مقدار 9.1% پیشرفت نشان می دهد.

عملکرد سیستم های بازشناسی گفتار زمانی که گفتار توسط نوفه تخریب شده باشد، به شدت کاهش می یابد. یکی از روش های رایج برای مقاوم سازی سامانه های بازشناسی گفتار استفاده از روش دادگان مفقود است. در این روش مولفه هایی از نمایش زمانی- فرکانسی گفتار (اسپکتروگرام) که نسبت سیگنال به نویز (SNR) آنها از یک آستانه کمتر است، بعنوان مولفه های نامعتبر یا مفقود برچسب دهی می شوند. این مولفه ها با استفاده از مولفه های معتبر و اطلاعات آماری که نسبت به دادگان تمیز، تخمین زده شده و جایگزین می شوند.در این مقاله الگوی ویژگی های مفقود با دیدگاهی نو به عنوان مساله جبران سازی دادگان مطرح می شود. بدین صورت که با استفاده از شبکه عصبی دوسویه و انجام یک سری پردازش های غیرخطی و دوطرفه (جلوسو و برگشتی) از دانش نهفته در مدل، ناشی از یادگیری هم زمان گفتار تمیز و نویزی بهره گرفته، بردارهای بازنمایی گفتار در جهت افزایش صحت بازشناسی آواها بهبود می یابند.در این روش نیازی به شناسایی مولفه های مفقود که یک بحث چالش برانگیز در حوزه بازشناسی مقاوم گفتار مبتنی بر دادگان مفقود است، نمی باشد؛ بلکه بازسازی در جهت هرچه شبیه تر شدن تمامی مولفه ها (خواه معتبر باشد خواه نامعتبر) به مولفه های گفتار تمیز صورت می گیرد و این یک برتری بسیار چشمگیری است که در این تحقیق حاصل شده است. نتایج مقایسه این دو روش نشان می دهد که با استفاده از روش دادگان مفقود، 4.2 درصد بهبود برای صحت بازشناسی گفتار نویزی با نسبت سیگنال به نویز 0dB حاصل شده درحالیکه با استفاده از روش مبتنی بر شبکه عصبی دوسویه، 8.5 درصد بهبود برای همان نسبت سیگنال به نویز به دست آمده است.

در این مقاله یک حمله تحلیل توانی ساده (SPA) به پیاده سازی AES روی میکروکنترلر PIC را معرفی می کنیم. این حمله تبدیل مخلوط ساز ستونی (MixColumns) از الگوریتم AES را هدف قرار می دهد و با استفاده از اطلاعات بدست آمده از سیگنال توان مصرفی حین پردازش داده ها در این تبدیل، فضای کلید را محدود می کند. این حمله می تواند فضای جستجوی کلید را بسته به تکرار حمله، به طور دقیق تا یک کلید محدود کند. اساس حمله بر مبنای تشخیص نتیجه یک عملگر شرطی در تبدیل مخلوط ساز ستونی با استفاده از اثرهای توان است.

در این مقاله روشی جدید برای بازشناسی برخط حروف مجزای فارسی ارائه شده است که با استخراج چند ویژگی ساده از دنباله نمونه برداری شده از حروف و استفاده از دسته بندی کننده ماشین بردار پشتیبان(SVM) نتایج قابل قبولی را ارائه می دهد. الگوریتم پیش پردازش استفاده شده در این کار امکان یکسان سازی ابعاد ویژگی ها به ازای حروف متعدد را فراهم می کند تا در مرحله بعدی به منظور بازشناسی به دسته بندی کننده ارسال شود. فرآیند بازشناسی در دو مرحله صورت می گیرد: در مرحله اول بدنه اصلی حرف ورودی (اولین حرکت قلم) پس از استخراج ویژگی با استفاده از دسته بندی کننده در قالب یکی از هجده گروه بدنه اصلی حروف، طبقه بندی می شود و سپس در مرحله دوم، موقعیت، تعداد و شکل سایر حرکت ها مانند نقطه و سرکش (ریزحرکت ها)، نوع حرف نهایی را تعیین می کند. به عنوان نمونه برای تشخیص حرف «ت» ابتدا گروه بدنه «ب، پ، ت، ث» تشخیص داده می شود و سپس وجود ریزحرکت «دونقطه» در بالای آن منجر به انتخاب «ت» از این گروه می شود. نهایتا در فرآیند پس پردازش با استفاده از تطبیق اطلاعات مربوط به بدنه اصلی و ریزحرکات سیستم به تصحیح خطاهای احتمالی موجود در مراحل قبلی پرداخته و دقت بازشناسی را افزایش می دهد به عنوان مثال اگر در مرحله دسته بندی بدنه حرف «ل» تشخیص داده شود ولی یک نقطه در بالای آن قرار داشته باشد آنگاه سیستم تشخیص خود را به حرف «ن» تغییر خواهد داد. نتایج تجربی این کار پژوهشی که بر اساس مجموعه داده  Online-TMUصورت گرفته است، متوسط نرخ بازشناسی بدنه اصلی را 94% نشان می دهد و با در نظر گرفتن پس پردازش ها بر اساس ریزحرکت ها این نرخ به حدود 98% می رسد.

امروزه تکنیک های استخراج اطلاعات مورد نیاز، از متون نظامی، مورد توجه فرماندهان و مدیران نظامی قرار گرفته که بدلیل تفاوت های ساختاری متون نظامی در مقایسه با متون غیر نظامی، استفاده از روش های متداول موجود بر روی متون نظامی، فاقد کارایی لازم می باشد. در این مقاله ضمن مقایسه ساختار متون نظامی با متن های غیر نظامی، دسته بندی جدیدی از متون نظامی ارایه شده و نتایج استخراج اطلاعات در هر گروه با استفاده از سیستم های موجود، مورد بررسی قرار گرفته است. بر اساس نتایج حاصل از ارزیابی، روشی نوین بر مبنای ترکیب روش استنتاج پوشش و مدل حوزه تصادفی شرطی ارایه شده است. ارزیابی کارایی بر روی بستر تهیه شده از گزارش های صحنه نبرد، انجام شده است. با بکارگیری روش پیشنهادی بر روی بستر ارایه شده، بهبود کارایی در معیارهای فراخوانی و معیار F نمایش داده شده است. همچنین با مقایسه نتایج حاصل از اجرای این سامانه بر روی متون غیر نظامی، امکان بکارگیری آن برای استخراج اطلاعات از متون غیر نظامی نیز بررسی شده است.