الگوریتم SIFT

اختصاصی از کوشا فایل الگوریتم SIFT دانلود با لینک مستقیم و پرسرعت .

مقاله ای که امروز معرفی میکنیم (Distinctive Image Features from Scale-Invariant Keypoints)، مقاله ی مرجع الگوریتم بسیار معروف و پرطرفدار SIFT  در حوزه ی پردازش تصویر است.

الگوریتم SIFT یک استراتژی تناظریابی مبتنی بر ویژگی 1 است که توسط Lowe وجهت فرآیند شناسایی الگو در تصاویر بصری ارائه شده و از دو مرحله اصلی شامل استخراج ویژگی و ایجاد توصیفگر، تشکیل شده است. این الگوریتم اساسا برای حل مساله اختلاف مقیاس میان تصاویر طراحی شده و به علاوه مستقل از اختلافات چرخشی میان تصاویر بوده و در برابر اختلافات روشنایی، تغییر شکل ناشی از تغییر منظر اخذ تصویر و نویز نیز پایدار است.

در بخش اول این الگوریتم، موقعیتهایی از تصویر که مستقل از مقیاس و چرخش هستند، با شناسایی اکسترممهای محلی تابع DoG که تقریبی از لاپلاسین نرمالیزه ی تصویر میباشند، استخراج میگردند. برای این منظور با بکارگیری از یک استراتژی هرمی و استفاده از تابع DoG ویژگیهای پایدار تصویر استخراج شده و به منظور انجام تناظریابی تغییرناپذیر نسبت به مقیاس، برای هر ویژگی استخراج شده یک پارامتر مقیاس نیز انتخاب میشود، لذا میتوان با انتخاب یک همسایگی منحصر به فرد در اطراف ویژگی نظیر در تصاویر مختلف، فرآیند تناظریابی را مستقل از اختلاف مقیاس میان آنها انجام داد.

بی شک این ترجمه که به همراه توضیحات فنی تکمیلی راجع به الگوریتم ارائه شده است، بهترین منبع موجود برای یادگیری الگوریتم SIFT می باشد.

مقاله ی اصلی به همراه ترجمه ی هدفمند این مقاله رو می توانید در همین صفحه دریافت کنید.

به صفحه ی تلگرام ما پیوندید.

https://telegram.me/PaperTranslation

ترجمه و توضیح مقاله ی مرجع الگوریتم Distinctive Image Features from Scale-Invariant Keypoints - SIFT

اختصاصی از کوشا فایل ترجمه و توضیح مقاله ی مرجع الگوریتم Distinctive Image Features from Scale-Invariant Keypoints - SIFT دانلود با لینک مستقیم و پرسرعت .

مقاله ای که امروز معرفی میکنیم (Distinctive Image Features from Scale-Invariant Keypoints)، مقاله ی مرجع الگوریتم بسیار معروف و پرطرفدار SIFT  در حوزه ی پردازش تصویر است.

الگوریتم SIFT یک استراتژی تناظریابی مبتنی بر ویژگی 1 است که توسط Lowe وجهت فرآیند شناسایی الگو در تصاویر بصری ارائه شده و از دو مرحله اصلی شامل استخراج ویژگی و ایجاد توصیفگر، تشکیل شده است. این الگوریتم اساسا برای حل مساله اختلاف مقیاس میان تصاویر طراحی شده و به علاوه مستقل از اختلافات چرخشی میان تصاویر بوده و در برابر اختلافات روشنایی، تغییر شکل ناشی از تغییر منظر اخذ تصویر و نویز نیز پایدار است.

در بخش اول این الگوریتم، موقعیتهایی از تصویر که مستقل از مقیاس و چرخش هستند، با شناسایی اکسترممهای محلی تابع DoG که تقریبی از لاپلاسین نرمالیزه ی تصویر میباشند، استخراج میگردند. برای این منظور با بکارگیری از یک استراتژی هرمی و استفاده از تابع DoG ویژگیهای پایدار تصویر استخراج شده و به منظور انجام تناظریابی تغییرناپذیر نسبت به مقیاس، برای هر ویژگی استخراج شده یک پارامتر مقیاس نیز انتخاب میشود، لذا میتوان با انتخاب یک همسایگی منحصر به فرد در اطراف ویژگی نظیر در تصاویر مختلف، فرآیند تناظریابی را مستقل از اختلاف مقیاس میان آنها انجام داد.

بی شک این ترجمه که به همراه توضیحات فنی تکمیلی راجع به الگوریتم ارائه شده است، بهترین منبع موجود برای یادگیری الگوریتم SIFT می باشد.

مقاله ی اصلی به همراه ترجمه ی هدفمند این مقاله رو می توانید در همین صفحه دریافت کنید.

به صفحه ی تلگرام ما پیوندید.

https://telegram.me/PaperTranslation

ترجمه و توضیح جامع مقاله ی مرجع الگوریتم SIFT - هرچه در مورد این الگوریتم دوست دارید بدانید..

اختصاصی از کوشا فایل ترجمه و توضیح جامع مقاله ی مرجع الگوریتم SIFT - هرچه در مورد این الگوریتم دوست دارید بدانید.. دانلود با لینک مستقیم و پرسرعت .

مقاله ای که امروز معرفی میکنیم (Distinctive Image Features from Scale-Invariant Keypoints)، مقاله ی مرجع الگوریتم بسیار معروف و پرطرفدار SIFT  در حوزه ی پردازش تصویر است.

الگوریتم SIFT یک استراتژی تناظریابی مبتنی بر ویژگی 1 است که توسط Lowe وجهت فرآیند شناسایی الگو در تصاویر بصری ارائه شده و از دو مرحله اصلی شامل استخراج ویژگی و ایجاد توصیفگر، تشکیل شده است. این الگوریتم اساسا برای حل مساله اختلاف مقیاس میان تصاویر طراحی شده و به علاوه مستقل از اختلافات چرخشی میان تصاویر بوده و در برابر اختلافات روشنایی، تغییر شکل ناشی از تغییر منظر اخذ تصویر و نویز نیز پایدار است.

در بخش اول این الگوریتم، موقعیتهایی از تصویر که مستقل از مقیاس و چرخش هستند، با شناسایی اکسترممهای محلی تابع DoG که تقریبی از لاپلاسین نرمالیزه ی تصویر میباشند، استخراج میگردند. برای این منظور با بکارگیری از یک استراتژی هرمی و استفاده از تابع DoG ویژگیهای پایدار تصویر استخراج شده و به منظور انجام تناظریابی تغییرناپذیر نسبت به مقیاس، برای هر ویژگی استخراج شده یک پارامتر مقیاس نیز انتخاب میشود، لذا میتوان با انتخاب یک همسایگی منحصر به فرد در اطراف ویژگی نظیر در تصاویر مختلف، فرآیند تناظریابی را مستقل از اختلاف مقیاس میان آنها انجام داد.

بی شک این ترجمه که به همراه توضیحات فنی تکمیلی راجع به الگوریتم ارائه شده است، بهترین منبع موجود برای یادگیری الگوریتم SIFT می باشد.

مقاله ی اصلی به همراه ترجمه ی هدفمند این مقاله رو می توانید در همین صفحه دریافت کنید.

به صفحه ی تلگرام ما پیوندید.

https://telegram.me/PaperTranslation

دانلود پاورپوینت الگوریتم تجزیه

اختصاصی از کوشا فایل دانلود پاورپوینت الگوریتم تجزیه دانلود با لینک مستقیم و پرسرعت .

به طور کلی مسائل برنامه‌ریزی خطی به دو گروه عمده قابل تقسیم هستند: مسائل دارای ساختاری خاص و مسائل فاقد این ویژگی. شاید با بعضی از مسائل مانند مدل حمل و نقل، تخصیص و یا شبکه‌ها که ساختاری خاص دارند، آشنا باشید. این مسائل به علت داشتن این ویژگی امکان استفاده از الگوریتم‌های کارا تری از سیمپلکس را یافته و این امر موجب کاهش محاسبات می‌گردند.

دانتزیگ (Dantzig) تکنیک‌های محاسباتی کارا را به منظور کاهش محاسبات به دو گروه تقسیم می‌کند. تکنیک‌هایی که موجب «کاهش تعداد تکرارها» می‌گردد و تکنیک‌هایی که «موجب فشرده شدن ماتریس معکوس» می‌شود. «الگوریتم اولیه - ثانویه» و «الگوریتم تجزیه» به ترتیب نمونه‌هایی از این دو گروه هستند.

انواع خاص مسائل برنامه‌ریزی خطی که در این قسمت معرفی می‌گردد، «مسائل بزرگ مقیاس (large-scale)» است که تعداد بسیار زیادی محدودیت و متغیر دارند. از خصوصیات مهم این‌گونه مسائل با ابعاد بزرگ آن است که بسیاری از ضرایب متغیرهای تصمیم در محدودیت‌های مسأله، صفر هستند، و در بعضی از انواع مشخص، صرفاً معدودی ضرایب غیر صفر وجود دارد. در نتیجه، به منظور ایجاد شکل ساده و کاراتری از روش سیمپلکس می‌توان از ساختار ریاضی خاص آنها استفاده کرد و میزان محاسبات لازم را تا حد زیادی کاهش داد. در شکل صفحه‌ی بعد چهار نوع از مسائل بزرگ مقیاس را مشاهده می‌کنید. در این شکل فقط ساختار ضرایب غیر صفر نشان داده شده است.

شامل 41 اسلاید powerpoint

دانلود مقاله ISI وظایف چند هدفه الگوریتم بهینه سازی زمان بندی توان عملیاتی برای ابر رایانه

اختصاصی از کوشا فایل دانلود مقاله ISI وظایف چند هدفه الگوریتم بهینه سازی زمان بندی توان عملیاتی برای ابر رایانه دانلود با لینک مستقیم و پرسرعت .

موضوع فارسی : وظایف چند هدفه الگوریتم زمان بندی بهینه سازی توان عملیاتی برای ابر رایانه

موضوع انگلیسی : Multi-Objective Tasks Scheduling Algorithm for Cloud Computing Throughput Optimization 

تعداد صفحه : 7

فرمت فایل :pdf

سال انتشار : 2015

زبان مقاله : انگلیسی

چکیده

در ابر کارشناس مرکز داده محاسبات سرور اتحاد به منظور افزایش بهره وری از منابع است. بسیاری از VMS (ماشین مجازی) هستند
در حال اجرا بر روی هر مرکز داده در استفاده از منابع کارآمد. بیشتر از زمان منابع ابر به دلیل ضعیف استفاده قرارگرفته
برنامه ریزی کار (یا نرم افزار) در مرکز داده. در این مقاله، ما یک الگوریتم زمان بندی کار چند هدفه پیشنهاد
به GTasks formappi به VMS به منظور بهبود افزایش توان از مرکز داده ها و کاهش هزینه و بدون نقض SLA
(توافقنامه سطح خدمات) برای یک نرم افزار در محیط های SaaS ابر. پیشنهاد ارائه یک الگوریتم بهینه
روش های برنامه ریزی. بسیاری از الگوریتم های برنامه ریزی وظایف بر اساس معیارهای واحد (یعنی زمان اجرای). اما در محیط ابر
لازم است را در نظر بگیرید معیارهای مختلف مانند زمان اجرا، هزینه، پهنای باند کاربران و غیره این الگوریتم با استفاده از شبیه سازی است
شبیه ساز CloudSim و در نتیجه نشان می دهد عملکرد بهتر و بهبود توان.

کلمات کلیدی: محاسبات ابری. اولویت؛ غیر تحت سلطه مرتب سازی. کیفیت سرویس. VM (ماشین مجازی)