تخمین چنددوربینی حالت سه بعدی انسان با برازش افکنش مدل اسکلت سه بعدی مفصل دار در تصاویر سایه نما Multi-view based 3D Human Pose Estimation by Fitting the Projection of 3D Articular Skeleton Model in Silhouette Images 1 1 تحلیل و ضبط خودکار حرکت انسان بر اساس تصاویر یا ویدئو به دلیل کاربردهای بسیار زیاد در انیمیشن، نظارت، بیومکانیک، تعامل بین انسان و کامپیوتر، صنعت بازی و سرگرمی از اهمیت بسیاری در بینایی کامپیوتر برخوردار است. در این کاربردها، تخمین حالت سه¬بعدی انسان از قسمت¬های اساسی می¬باشد و بهمین دلیل دقت تخمین بر عملکرد این کاربردها تاثیر زیادی دارد.تخمین حالت سه¬بعدی انسان از مشاهدات تصویری با توجه به رنج وسیع تغییرات در ظاهر و مفصل¬بندی انسان، ابعاد بالا در فضای حالت انسان و پدیده خود انسدادی، یک مسئله چالش¬برانگیز می باشد. 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 می¬باشد. نتایج آزمایش، نشان می¬دهد که روش پیشنهادی می¬تواند به طور موثری بعنوان یک سیستم بدون نشانه برای تخمین حالت سه-بعدی انسان در رشته ویدئویی چنددوربینی بکار گرفته شود. 2 Automatic capture and analysis of human motion, based on images or video is important issue in computer vision due to the vast number of applications in animation, surveillance, biomechanics, Human Computer Interaction, entertainment and game industry. In these applications, it is clear that 3D human pose estimation is an essential part. Therefore, its accuracy has a great effect on the performance of these applications. Because of the variation in appearance and articulations of human, self-occlusion and high dimensional state-space of human pose, 3D human pose estimation from image observations is a challenging problem. In this paper, a new method of 3D human pose estimation from multi-view video sequence is introduced. In the proposed method, instead of seeking directly over the high dimensional states-space of human pose and employing the complex inferring algorithms, a hierarchical search method with distinct objective function for each part of the body and direct optimization methods is employed. Advantages of the proposed method are: automatic initialization, labeling of parts of the body contour and using separate objective function for different parts of the body. Experimental results demonstrate that the proposed method can be effectively used as a marker-less system to estimate 3D human pose in a multi-view sequence. 3 18 2012/09/21 1391/6/31 2018/02/19 1396/11/30 حسین ابراهیم نژاد hossein ebrahimnezhad دانشگاه سهند تبریز- دانشکده برق ebrahimnezhad@sut.ac.ir قاسم خادمی ghasem khademi g_khademi@sut.ac.ir 3D human pose estimation human motion capture articulated model Optimization Silhouette Images 3D skeleton تخمین سه بعدی حالت انسان ضبط حرکت انسان مدل مفصل دار بهینه سازی تصاویر سایه نما اسکلت سه بعدی 1##2##3##1##2##3## ##

یک مدل بیزی برای استخراج باناظر گرامر زبان طبیعی A Bayesian Model for Supervised Grammar Induction 1 1 در این مقاله نشان داده ایم که مسئله استخراج باناظر گرامر برای گرامرهای زبان طبیعی، می تواند به عنوان ترکیبی پیچیده از تعداد زیادی مسئله 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 مسئله 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 گرامر های مبتنی بر سابقه، یک مدل بیزی مبتنی بر سابقه برای استخراج باناظر گرامر ارائه کرده ایم. نتایج آزمایشی که بوسیله ی این مدل روی یک پیکره ی استاندارد برای زبان انگلیسی صورت گرفته است، در مقایسه با مدل مرجع طبق معیار F1 به مقدار 9.1% پیشرفت نشان می دهد. 2 In this paper, we show that the problem of grammar induction could be modeled as a combination of several model selection problems. We use the infinite generalization of a Bayesian model of cognition to solve each model selection problem in our grammar induction model. This Bayesian model is capable of solving model selection problems, consistent with human cognition. We also show that using the notion of history-based grammars will increase the number and decrease the complexity of model selection problems in our grammar induction model. This results in the induction of a better grammar which leads to 9.1 points increase in F1 measure, for parsing the section 22 of Penn treebank in comparison with a similar model that does not use history-based grammar induction techniques. 19 34 2012/09/212012/09/21 1391/6/31 2018/02/192018/02/19 1396/11/30 هشام فیلی Heshaam Faili hfaili@ut.ac.ir حمیدرضا قادر Hamidreza Ghader h.ghader@ece.ut.ac.ir مرتضی آنالویی Morteza Morteza Analoui analoui@iust.ac.ir Bayesian model of cognition tree substitution grammars Dirichlet process Chinese restaurant process history-based grammars مدل بیزی از فرایند شناختی انتخاب مدل گرامرiهای جایگزینی درخت فرایند دریکله فرایند رستوران چینی گرامرهای مبتنی بر سابقه 1-Sharon Goldwater, Thomas L. Griffiths, and Mark Johnson, "A Bayesian framework for word segmentation: Exploring the effects of context.," Cognition, vol. 112, pp. 21-54, 2009.##2-Joshua Goodman, "Efficient Parsing of DOP with PCFG-reductions," in Data Oriented Parsing, Rens Bod, Khalil Sima'an, and Remko Scha, Eds.: University of Chicago Press, 2002.##3-Mitchell P. Marcus, Beatrice Santorini, and Mary Ann Marcinkiewicz, "Building a large annotated corpus of English: the Penn treebank," Computational Linguistics, vol. 19, pp. 313-330, 1993.##4-Michael Collins, "A new statistical parser based on bigram lexical dependencies," in Proceedings of the 34th Meeting of the Association for Computational Linguistics, pp. 184-191, Santa Cruz, CA, 1996.##5-Philip Harrison et al., "Evaluating Syntax Performance of Parser/Grammars of English," in Natural Language Processing Systems Evaluation Workshop, pp. 71-78, 1991.##6-Rens Bod, "The problem of computing the most probable tree in data-oriented parsing and stochastic tree grammars," in Proceeding EACL '95 Proceedings of the seventh conference on European chapter of the Association for Computational Linguistics, San Francisco, CA, USA, 1995.##7-Philip Resnik and Eric Hardisty, "Gibbs Sampling for the Uninitiated," UMIACS, 2010.##8-Mark Johnson, Thomas L. Griffiths, and Sharon Goldwater, "Bayesian Inference for PCFGs via Markov Chain Monte Carlo," in Proceedings of the North American Conference on Computational Linguistics (NAACL '07), pp. 139-146, 2007.##9-Thomas Griffiths, Charles Kemp, and Joshua B Tenenbaum, "Bayesian models of cognition," in The Cambridge Handbook of Computational Psychology.: Cambridge University Press, 2008.##10-Mark Johnson and Sharon Goldwater, "Improving nonparametric Bayesian inference: Experiments on unsupervised word segmentation with adaptor grammars," in Proceedings of Human Language Technologies: The 2009 Annual Conference of the North American Chapter of the Association for Computational Linguistics., Boulder, Colorado, 2009.##11-Timothy J. O'Donnell, Noah D. Goodman, and Joshua B. Tenenbaum, "Fragment Grammars: Exploring Computation and Reuse in Language," Massachusetts Institute of Technology, Cambridge, Technical MIT-CSAIL-TR-2009-013, 2009.##12-Trevor Cohn, Phil Blunsom, and Sharon Goldwater, "Inducing Tree-Substitution Grammars," Journal of Machine Learning Research, pp. 3053-3096, 2010.##13-Ivan Titov and Alexandre Klementiev, "A Bayesian Model for Unsupervised Semantic Parsing," in The 49th Annual Meeting of the Association for Computational Linguistics (ACL)., Portland, USA, 2011.##14-Samuel Brody and Mirella Lapata, "Bayesian word sense induction," in Proceedings of the 12th Conference of the European Chapter of the Association for Computational Linguistics, pp. 103-111, Stroudsburg, PA, USA, 2009.##15-Mark Johnson, Thomas L. Griffiths, and Sharon Goldwater, "Adaptor grammars: A framework for specifying compositional nonparametric Bayesian models.," Advances in Neural Information Processing Systems, vol. 19, 2007.##16-Sharon Goldwater and Thomas L. Griffiths, "A Fully Bayesian Approach to Unsupervised Part-of-Speech Tagging," in Proceedings of the 45th Annual Meeting of the Association of Computational Linguistics, pp. 744-751, 2007.##17-Rens Bod, "An Efficient Implementation of a New DOP Model," in EACL '03 Proceedings of the tenth conference on European chapter of the Association for Computational Linguistics, vol. 1, pp. 19-26, Budapest, Hungary, 2003.##18-Rens Bod, "A Computational Model of Language Performance:Data Oriented Parsing," in Proceedings COLING'92, pp. 855-859, Nantes, France., 1992.##19-David McClosky, Eugene Charniak, and Mark Johnson, "Effective Self-Training for Parsing," in The Conference on Human Language Technology and North American chapter of the Association for Computational Linguistics (HLT-NAACL 2006), Brooklyn, New York, 2006.##20-Aoife Cahill, "Treebank-Based Probabilistic Phrase Structure Parsing," Language and Linguistics Compass, vol. 2, no. 1, pp. 18-40, 2008.##21-Slav Petrov and Dan Klein, "Improved Inference for Unlexicalized Parsing," in Human Language Technologies 2007: The Conference of the North American Chapter of the Association for Computational Linguistics; Proceedings of the Main Conference, pp. 404-411, 2007.##22-Eugene Charniak, "Treebank grammars," in Proceedings of the Thirteenth National Conference on Artificial Intelligence, pp. 1031-1036, Menlo Park, 1996.##23-Yee Whye Teh, "Dirichlet Processes," in Encyclopedia of Machine Learning.: Springer, 2010.##24-Mehryar Mohri and Richard Sproat, "On a Common Fallacy in Computational Linguistics," SKY Journal of Linguistics, vol. 19, pp. 432-439, 2006.##25-هشام فیلی, "استنتاج استقرایی یک گرامر محاسباتی برای زبان طبیعی با استفاده از روش بی مربی," دانشگاه صنعتی شریف, تهران, پایان نامه دکتری 1385.##26-Eugene Charniak and Mark Johnson, "Coarse-to-fine n-best parsing and MaxEnt discriminative reranking," in Proceedings of the 43rd Annual Meeting of the Association for Computational Linguistics, pp. 173-180, 2005.##27-Eugene Charniak, "A maximum-entropy-inspired parser," in Proceedings of the First Annual Meeting of the North American chapter of the Association for Computational Linguistics (NAACL 2000) , pp. 132-139, 2000.##28-Michael Collins, "Head-Driven Statistical Models for Natural Language Parsing," University of Pennsylvania, PhD thesis 1999.##29-Mark Johnson, "The Effect of Alternative Tree Representations on Tree Bank Grammars," in Proceedings of the Joint Conferences on New Methods in Language Processing and Computational Natural Language Learning, pp. 39-48, Sydney, Australia, 1998.##30-Trevor Cohn, Sharon Goldwater, and Phil Blunsom, "Inducing Compact but Accurate Tree-Substitution Grammars," in NAACL, 2009.####1-Sharon Goldwater, Thomas L. Griffiths, and Mark Johnson, "A Bayesian framework for word segmentation: Exploring the effects of context.," Cognition, vol. 112, pp. 21-54, 2009.##2-Joshua Goodman, "Efficient Parsing of DOP with PCFG-reductions," in Data Oriented Parsing, Rens Bod, Khalil Sima'an, and Remko Scha, Eds.: University of Chicago Press, 2002.##3-Mitchell P. Marcus, Beatrice Santorini, and Mary Ann Marcinkiewicz, "Building a large annotated corpus of English: the Penn treebank," Computational Linguistics, vol. 19, pp. 313-330, 1993.##4-Michael Collins, "A new statistical parser based on bigram lexical dependencies," in Proceedings of the 34th Meeting of the Association for Computational Linguistics, pp. 184-191, Santa Cruz, CA, 1996.##5-Philip Harrison et al., "Evaluating Syntax Performance of Parser/Grammars of English," in Natural Language Processing Systems Evaluation Workshop, pp. 71-78, 1991.##6-Rens Bod, "The problem of computing the most probable tree in data-oriented parsing and stochastic tree grammars," in Proceeding EACL '95 Proceedings of the seventh conference on European chapter of the Association for Computational Linguistics, San Francisco, CA, USA, 1995.##7-Philip Resnik and Eric Hardisty, "Gibbs Sampling for the Uninitiated," UMIACS, 2010.##8-Mark Johnson, Thomas L. Griffiths, and Sharon Goldwater, "Bayesian Inference for PCFGs via Markov Chain Monte Carlo," in Proceedings of the North American Conference on Computational Linguistics (NAACL '07), pp. 139-146, 2007.##9-Thomas Griffiths, Charles Kemp, and Joshua B Tenenbaum, "Bayesian models of cognition," in The Cambridge Handbook of Computational Psychology.: Cambridge University Press, 2008.##10-Mark Johnson and Sharon Goldwater, "Improving nonparametric Bayesian inference: Experiments on unsupervised word segmentation with adaptor grammars," in Proceedings of Human Language Technologies: The 2009 Annual Conference of the North American Chapter of the Association for Computational Linguistics., Boulder, Colorado, 2009.##11-Timothy J. O'Donnell, Noah D. Goodman, and Joshua B. Tenenbaum, "Fragment Grammars: Exploring Computation and Reuse in Language," Massachusetts Institute of Technology, Cambridge, Technical MIT-CSAIL-TR-2009-013, 2009.##12-Trevor Cohn, Phil Blunsom, and Sharon Goldwater, "Inducing Tree-Substitution Grammars," Journal of Machine Learning Research, pp. 3053-3096, 2010.##13-Ivan Titov and Alexandre Klementiev, "A Bayesian Model for Unsupervised Semantic Parsing," in The 49th Annual Meeting of the Association for Computational Linguistics (ACL)., Portland, USA, 2011.##14-Samuel Brody and Mirella Lapata, "Bayesian word sense induction," in Proceedings of the 12th Conference of the European Chapter of the Association for Computational Linguistics, pp. 103-111, Stroudsburg, PA, USA, 2009.##15-Mark Johnson, Thomas L. Griffiths, and Sharon Goldwater, "Adaptor grammars: A framework for specifying compositional nonparametric Bayesian models.," Advances in Neural Information Processing Systems, vol. 19, 2007.##16-Sharon Goldwater and Thomas L. Griffiths, "A Fully Bayesian Approach to Unsupervised Part-of-Speech Tagging," in Proceedings of the 45th Annual Meeting of the Association of Computational Linguistics, pp. 744-751, 2007.##17-Rens Bod, "An Efficient Implementation of a New DOP Model," in EACL '03 Proceedings of the tenth conference on European chapter of the Association for Computational Linguistics, vol. 1, pp. 19-26, Budapest, Hungary, 2003.##18-Rens Bod, "A Computational Model of Language Performance:Data Oriented Parsing," in Proceedings COLING'92, pp. 855-859, Nantes, France., 1992.##19-David McClosky, Eugene Charniak, and Mark Johnson, "Effective Self-Training for Parsing," in The Conference on Human Language Technology and North American chapter of the Association for Computational Linguistics (HLT-NAACL 2006), Brooklyn, New York, 2006.##20-Aoife Cahill, "Treebank-Based Probabilistic Phrase Structure Parsing," Language and Linguistics Compass, vol. 2, no. 1, pp. 18-40, 2008.##21-Slav Petrov and Dan Klein, "Improved Inference for Unlexicalized Parsing," in Human Language Technologies 2007: The Conference of the North American Chapter of the Association for Computational Linguistics; Proceedings of the Main Conference, pp. 404-411, 2007.##22-Eugene Charniak, "Treebank grammars," in Proceedings of the Thirteenth National Conference on Artificial Intelligence, pp. 1031-1036, Menlo Park, 1996.##23-Yee Whye Teh, "Dirichlet Processes," in Encyclopedia of Machine Learning.: Springer, 2010.##24-Mehryar Mohri and Richard Sproat, "On a Common Fallacy in Computational Linguistics," SKY Journal of Linguistics, vol. 19, pp. 432-439, 2006.##25-هشام فیلی, "استنتاج استقرایی یک گرامر محاسباتی برای زبان طبیعی با استفاده از روش بی مربی," دانشگاه صنعتی شریف, تهران, پایان نامه دکتری 1385.##26-Eugene Charniak and Mark Johnson, "Coarse-to-fine n-best parsing and MaxEnt discriminative reranking," in Proceedings of the 43rd Annual Meeting of the Association for Computational Linguistics, pp. 173-180, 2005.##27-Eugene Charniak, "A maximum-entropy-inspired parser," in Proceedings of the First Annual Meeting of the North American chapter of the Association for Computational Linguistics (NAACL 2000) , pp. 132-139, 2000.##28-Michael Collins, "Head-Driven Statistical Models for Natural Language Parsing," University of Pennsylvania, PhD thesis 1999.##29-Mark Johnson, "The Effect of Alternative Tree Representations on Tree Bank Grammars," in Proceedings of the Joint Conferences on New Methods in Language Processing and Computational Natural Language Learning, pp. 39-48, Sydney, Australia, 1998.##30-Trevor Cohn, Sharon Goldwater, and Phil Blunsom, "Inducing Compact but Accurate Tree-Substitution Grammars," in NAACL, 2009.## ##

روشی جدید در بازشناسی مقاوم گفتار مبتنی بر دادگان مفقود با استفاده از شبکه عصبی دوسویه New Approach in Robust Speech Recognition Based on Missing Feature using Bidirectional Neural Network 1 1 عملکرد سیستم های بازشناسی گفتار زمانی که گفتار توسط نویز تخریب شده باشد، به شدت کاهش می یابد. یکی از روش های رایج برای مقاوم سازی سیستم های بازشناسی گفتار استفاده از روش دادگان مفقود است در این روش مؤلفه‌هایی از نمایش زمانی- فرکانسی گفتار (اسپکتروگرام) که نسبت سیگنال به نویز (SNR) آنها از یک آستانه کمتر است، بعنوان مؤلفه های نامعتبر یا مفقود برچسب دهی می شوند. این مؤلفه ها با استفاده از مؤلفه 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 مسئله جبران سازی دادگان مطرح می شود. به اینصورت که با استفاده از شبکه عصبی دوسویه و انجام یک سری پردازش‌های 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 مؤلفه‌های 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 مؤلفه‌ها (خواه معتبر باشد خواه نامعتبر) به مؤلفه‌های 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، 2/4 درصد بهبود برای صحت بازشناسی گفتار نویزی با نسبت سیگنال به نویز dB0 حاصل شده درحالیکه با استفاده از روش مبتنی بر شبکه عصبی دوسویه، 5/8 درصد بهبود برای همان نسبت سیگنال به نویز به دست آمده است. 2 Performance of speech recognition systems is greatly reduced when speech corrupted by noise. One common method for robust speech recognition systems is missing feature methods. In this way, the components in time - frequency representation of signal (Spectrogram) that present low signal to noise ratio (SNR), are tagged as missing and deleted then replaced by remained components and statistical information of clean speech. In this article a new approach of missing features method based on compensation are proposed. A Bidirectional Neural Network (BNN) was developed and implemented in order to modify unreliable components in input feature vectors and improve the overall recognition accuracy. Distorted components in feature vectors were estimated in accordance with the latent knowledge in the hidden layer of the neural network. This knowledge is obtained by training with clean and noisy speech, simultaneously and is mostly induced by reliable and less influenced components by the irrelevant variations in speech signal. In this approach, there is no need to identify missing components that is a challenging issue in the field of robust speech recognition based on missing feature method because reconstruction is done on all components (whether reliable or unreliable), in order to become more similar to the clean speech component. This point is a very significant advantage that has been achieved in this article. Comparing the results of these two methods shows that using Missing feature methods, 4.2% improvement were obtained in the accuracy of speech recognition for noisy signal by SNR=0dB, whereas improvement value increased to 8.5%, using bidirectional neural network for the same signal to noise ratio. 35 48 2012/09/212012/09/212012/09/21 1391/6/31 2018/02/192018/02/192018/02/19 1396/11/30 حجت محمدنژاد hojat mohammadnejad پژوهشگاه مخابرات و الکترونیک فجر hojat.mohammadnejad@gmail.com منصور ولی mansour vali دانشگاه خواجه نصیر mansour.vali@eetd.kntu.ac.ir Bidirectional Neural Network Missing Feature Methods Robust Speech Recognition Vector Taylor Series بازشناسی مقاوم گفتار؛ دادگان مفقود؛ شبکه عصبی دوسویه 1##2##3##1##2##3## ##

پیاده سازی حملۀ تحلیل توان ساده به الگوریتم AES روی میکروکنترلر PIC asdasd 1 1 در این مقاله یک حمله ی تحلیل توانی ساده (SPA) به پیاده سازی AES روی میکروکنترلر PICC 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 کلید را بسته به تکرار حمله، دقیقاً تا یک کلید محدود کند. اساس حمله بر مبنای تشخیص نتیجه ی یک عملگر شرطی در تبدیل مخلوط ساز ستونی با استفاده از اثرهای توان است. 2 asdasdasdad 49 58 2012/09/212012/09/212012/09/212012/09/21 1391/6/31 2018/02/192018/02/192018/02/192018/02/19 1396/11/30 حامد یوسفی hamed yusefi hamedyusefi@yahoo.com محمود گردشی mahmud gardeshi mgardeshi2000@yahoo.com محمد سبزی نژاد mohammad sabzinejad m.sabzinejad@gmail.com asd حملات کانال جانبی حمله‌ی تحلیل توانی ساده الگوریتم AES میکروکنترلر 1##2##3##1##2##3## ##

بازشناسی برخط حروف مجزای دست‌نویس فارسی بر اساس تشخیص گروه بدنه اصلی با استفاده از ماشین بردار پشتیبان The Recognition of Online Handwritten Persian Characters Based on their Main Bodies Using SVM 1 1 در این مقاله روشی جدید برای بازشناسی برخط حروف مجزای فارسی ارائه شده است که با استخراج چند ویژگی ساده از دنباله نمونه‌برداری شده از حروف و استفاده از دسته‌بندی کننده‌ی ماشین بردار پشتیبان( SVM) نتایج قابل قبولی را ارئه می‌دهد. الگوریتم پیش‌پردازش استفاده شده در این کار امکان یکسان سازی ابعاد ویژگی‌ها به ازای حروف متعدد را فراهم می‌کند تا در مرحله بعدی به منظور بازشناسی به دسته‌بندی کننده ارسال شود. فرآیند بازشناسی در دو مرحله صورت می‌گیرد: در مرحله‌ی اول بدنه‌ی اصلی حرف ورودی (اولین حرکت قلم) پس از استخراج ویژگی با استفاده از دسته‌بندی کننده در قالب یکی از هجده گروه بدنه‌ی اصلی حروف، طبقه‌بندی می‌شود و سپس در مرحله‌ی دوم، موقعیت، تعداد و شکل سایر حرکت‌ها مانند نقطه و سرکش (ریزحرکت‌ها)، نوع حرف نهایی را تعیین می‌کند. به عنوان نمونه برای تشخیص حرف «ت» ابتدا گروه بدنه‌ی «ب، پ، ت، ث» تشخیص داده می‌شود و سپس وجود ریزحرکت «دونقطه» در بالای آن منجر به انتخاب «ت» از این گروه می‌شود. نهایتا در فرآیند پس‌پردازش با استفاده از تطبیق اطلاعات مربوط به بدنه‌ی اصلی و ریزحرکات سیستم به تصحیح خطاهای احتمالی موجود در مراحل قبلی پرداخته و دقت بازشناسی را افزایش می‌دهد به عنوان مثال اگر در مرحله دسته‌بندی 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 داده‌ی Online-TMU صورت گرفته است، متوسط نرخ بازشناسی بدنه‌ی اصلی را 94% نشان می‌دهد و با در نظر گرفتن پس‌پردازش‌ها بر اساس ریزحرکت‌ها این نرخ به حدود 98% می‌رسد. 2 In this paper a new method for the online recognition of handwritten Persian characters has been proposed which uses a set of simple features and Support Vector Machine (SVM) as a classifier. The task of preprocessing allows us to equalize feature vectors from different characters. This algorithm is implemented in two steps. In the first step, input character is classified into one of eighteen groups of main strokes of characters and in the second step, position, number, and the shape of sub-strokes determine character type. For example to recognize the character ‘ت’, in the first step the character will be classified to group of letters ‘ب، پ، ت، ث’ based on main stroke shape and then classification is done using information of the sub-strokes. In the final step, post processing, we rectify previous step results employing unmatched conditions between main stroke and sub-strokes. Consider a main stroke «ل» with a point at the top of that in this situation post processing step will change result to letter «ن». The experimental results -which is based on Online-TMU database- show that the recognition rate of the main strokes of the characters is 94% which reaches to 98% using the information of sub-strokes. 59 68 2012/09/212012/09/212012/09/212012/09/212012/09/21 1391/6/31 2018/02/192018/02/192018/02/192018/02/192018/02/19 1396/11/30 محمدامین مهرعلیان mohammad amin mehralian mehralian@aut.ac.ir کاظم فولادی kazem kazem fouladi kazim@fouladi.ir Online Persian Character Recognition Handwriting Recognition Support Vector Machine (SVM) بازشناسی برخط حروف فارسی بازشناسی دست‌نوشته/ دست‌نویس ریزحرکت‌ ماشین بردار پشتیبان (SVM). 1##2##3##1##2##3## ##

WI&CRF: روش پیشنهادی برای استخراج اطلاعات مورد نیاز از متون نظامی WI&CRF: A new approach to extract the required information from military documents 1 1 امروزه تکنیک‌های استخراج اطلاعات مورد نیاز، از متون نظامی، مورد توجه فرماندهان و مدیران نظامی قرار گرفته که بدلیل تفاوت‌های ساختاری متون نظامی در مقایسه با متون غیر نظامی، استفاده از روش‌های متداول موجود بر روی متون نظامی، فاقد کارایی لازم می‌باشد. در این مقاله ضمن مقایسه ساختار متون نظامی با متن‌های غیر‌نظامی، دسته بندی جدیدی از متون نظامی ارایه گردیده و نتایج استخراج اطلاعات در هر گروه با استفاده از سیستم¬های موجود، مورد بررسی قرار گرفته است. براساس نتایج حاصل از ارزیابی، روشی نوین بر مبنای ترکیب روش استنتاج پوشش و مدل حوزه تصادفی شرطی ارایه گردیده است. ارزیابی کارایی بر روی بستر تهیه شده از گزارش¬های صحنه نبرد، انجام گردیده 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 سیستم بر روی متون غیر نظامی، امکان بکارگیری آن برای استخراج اطلاعات از متون غیر نظامی نیز بررسی شده است. 2 Military Information Extraction techniques are interested for military managers and commanders. But usual information extraction techniques cannot be used for that domain, because military corpus has special structure that differs from non-military corpus. In this paper the military documents structure is compared with non-military documents structure. Moreover a new classification is proposed for military documents. IE system effects are also surveyed for each class. Then a new composite approach is proposed according to the experimental results. The new approach is based on Wrapper Induction and CRF Model. Test bed is also prepared from battlefield reports to evaluate the proposed system. The improvement is shown based on tow metrics namely Recall and F-Measure. The usefulness of the proposed system is also demonstrates. 67 80 2012/09/212012/09/212012/09/212012/09/212012/09/212012/09/21 1391/6/31 2018/02/192018/02/192018/02/192018/02/192018/02/192018/02/19 1396/11/30 نیما ملایی nima mollaei nima.mollaei@yahoo.com احمد عبدا.. زاده ahmad abdolahzadeh ahmad@ce.aut.ac.ir حسین شیرازی hossein shirazi shirazi@mut.ac.ir Military Document Information Extraction (IE) Conditional Random Field (CRF) Wrapper Induction (WI) متن نظامی استخراج اطلاعات استنتاج پوشش مدل حوزه تصادفی شرطی 1##2##3##1##2##3## ##