Subspace Methods for Pattern Recognition in Intelligent Environment

این کتاب پژوهشی مروری جامع بر روش‌های یادگیری زیرفضایی پیشرفته برای تشخیص الگو در محیط هوشمند ارائه می‌کند. با توسعه سریع اینترنت و فناوری های کامپیوتری، حجم داده های موجود در زندگی روزمره ما به سرعت در حال افزایش است. نحوه استخراج اطلاعات اصلی یا ویژگی های مفید موضوع مهمی است. روش‌های زیرفضا به طور گسترده برای کاهش ابعاد و استخراج ویژگی در تشخیص الگو استفاده می‌شوند. آنها یک داده با ابعاد بالا را به فضایی با ابعاد پایین تر (زیرزفضا) تبدیل می کنند، جایی که بیشتر اطلاعات در آن حفظ می شود. این کتاب طیف وسیعی از روش‌های زیرفضایی از جمله روش‌ها و کاربردهای یادگیری زیرفضایی خطی، غیرخطی و چندخطی را پوشش می‌دهد. این برنامه ها عبارتند از تراز چهره، تشخیص چهره، تجزیه و تحلیل تصویر پزشکی، طبقه بندی تصاویر سنجش از راه دور، تشخیص علائم ترافیکی، خوشه بندی تصویر، وضوح فوق العاده، تشخیص لبه، ترکیب چند نمای چهره.

This research book provides a comprehensive overview of the state-of-the-art subspace learning methods for pattern recognition in intelligent environment. With the fast development of internet and computer technologies, the amount of available data is rapidly increasing in our daily life. How to extract core information or useful features is an important issue. Subspace methods are widely used for dimension reduction and feature extraction in pattern recognition. They transform a high-dimensional data to a lower-dimensional space (subspace), where most information is retained. The book covers a broad spectrum of subspace methods including linear, nonlinear and multilinear subspace learning methods and applications. The applications include face alignment, face recognition, medical image analysis, remote sensing image classification, traffic sign recognition, image clustering, super resolution, edge detection, multi-view facial image synthesis.