استخراج ویژگی ها

EasyChair Preprint no. 7931

Abstract

امروزه سيستمهاي هوشمند کاربردهاي متفاوت و زيادي در کلاسه‌بندي الگوهاي پيچيده در پزشکي صنعت و ساير محدوده‌‌ها دارند. در واقع بدست آوردن سیستمهای کلاسه بندی با دقت بالا که بتواند الگوهای پیچیده را طبقه بندی کند بسیار پرکاربرد شده است. در اين مقاله کاربرد يک روش نزدیکترین همسایگی در کلاسه‌بندي داده‌هاي پزشکي واقعی مورد بررسي قرار گرفته است و در این مسیر ویژگیهای مناسبی برای کلاسه بندی استخراج گردیده و نتايج روي پايگاه داده‌اي از تصاوير توپوگرافي قرنيه تست شده‌اند و نتايج خوبي را نشان داده‌اند.

کامروزه سيستمهاي هوشمند کاربردهاي متفاوت و زيادي در کلاسه‌بندي الگوهاي پيچيده در پزشکي صنعت و ساير محدوده‌‌ها دارند. در واقع بدست آوردن سیستمهای کلاسه بندی با دقت بالا که بتواند الگوهای پیچیده را طبقه بندی کند بسیار پرکاربرد شده است. در اين مقاله کاربرد يک روش نزدیکترین همسایگی در کلاسه‌بندي داده‌هاي پزشکي واقعی مورد بررسي قرار گرفته است و در این مسیر ویژگیهای مناسبی برای کلاسه بندی استخراج گردیده و نتايج روي پايگاه داده‌اي از تصاوير توپوگرافي قرنيه تست شده‌اند و نتايج خوبي را نشان داده‌اند.

کلاسه‌بندي داده‌هاي قرنيه مي‌تواند براساس شاخصه‌هاي مختلفي انجام پذيرد در اين مقاله چندين ويژگي که بخوبي کلاسهاي مختلفي را براي تفکيک بوجود مي‌آورند ارائه شده است و هدف ارائه و معرفی این ویژگیهای حسی-ذهنی مناسب برای کار بر روی این نوع از داده (قرنیه چشم) بعنوان یک داده بسیار پیچیده میباشد که در نهایت با ترکیب با روش نزدیکترین همسایگی نتایج مطلوبی را برای کلاسه بندی نشان داده است که در نهایت باعث کاهش ضایعات در عمل پیوند قرنیه گردیده است.

In this article, we propose a novel transplation method for Cornia how we can extract features

Keyphrases: توپوگرافي, روش نزديکترين همسايه, قرنيه, کلاسه‌بندي‌کننده

@Booklet{EasyChair:7931,
  author = {Mehdi Gheisari},
  title = {استخراج ویژگی ها},
  howpublished = {EasyChair Preprint no. 7931},

  year = {EasyChair, 2022}}