Gaurav Aggarwal, Soma Biswas, Patri

Gaurav Aggarwal, Soma Biswas, Patrick J. Flynn and Kevin W. Bowyer[3], proposed a novel
approach to address the challenges involved in automatic matching of faces across plastic
surgery variations. In the proposed formulation, they proposed a part-wise sparse
representation Approach combined with the popular sparse representation to address the
challenge of plastic surgery variations and utilizes images from sequestered non-gallery
subjects with similar local facial characteristics to fulfill this requirement. They stated that this
sparse representation approach also used for several other biometrics and computer vision
problems. One limitation of sparsity-based biometric recognition is, it requires several images
per subject in the gallery.
K. R. Singh, Roshni S Khedgaonkar, Swati P Gawande [4], proposed a new approach to find the
nearness between the pre plastic surgical face to the post plastic surgical face. They develop a
classifier for facial images that have previously undergone some feature modifications through
plastic surgery based on near set theory. Their work concerned only geometrically obtained
feature values and their approximation using near sets. Once the features will be extracted a
feature database will be formed. Using this feature values near set theory provides a method to
establish resemblance between objects contained in a disjoint set, that is it provides a formal
basis for observational comparison and classification of the objects. One limitation to this
approach is, it will recognize the face only after local plastic surgery, but not work in the
presence of global plastic surgery.
Himanshu S. Bhatt, Samarth Bharadwaj, Richa Singh, and Mayank Vatsa [1], proposed a
multiobjective evolutionary granular algorithm to match face images before and after plastic
surgery. The algorithm first generates non-disjoint face granules at multiple levels of
granularity. The first level of granularity processes the image with Gaussian and Laplacian
operators to assimilate information from multiresolution image pyramids. The second level of
granularity tessellates the image into horizontal and vertical face granules of varying size and

ผลลัพธ์ (ไทย) 1:

กอแรฟ Aggarwal โซมาบิสวาส Patrick J. Flynn และ Kevin W. Bowyer [3], นวนิยายที่นำเสนอวิธีการเพื่อความท้าทายเกี่ยวข้องกับการจับคู่อัตโนมัติของใบหน้าทั้งพลาสติกผ่าตัดรูปแบบ ในกำหนดเสนอ พวกเขาเสนอตัว part-wise เบาแสดงวิธีรวมกับตัวบ่อนิยมยังอยู่ความท้าทายของศัลยกรรมตกแต่งรูปแบบ และใช้ภาพจากปล่อยไม่ใช่ปืนเรื่อง มีลักษณะใบหน้าคล้ายท้องถิ่นเพื่อตอบสนองความต้องการนี้ พวกเขากล่าวที่นี้บ่อแสดงวิธีใช้สำหรับหลายอื่น ๆ ชีวภาพและคอมพิวเตอร์วิชั่นปัญหา ข้อจำกัดหนึ่งของ sparsity โดยใช้การตรวจสอบทางชีวภาพคือ ต้องการหลายภาพต่อเรื่องในเก็บเคสิงห์อาร์ Roshni S Khedgaonkar สวาติ P Gawande [4], เสนอวิธีใหม่ในการค้นหาข้างระหว่างก่อนพลาสติกผ่าตัดใบหน้าเพื่อใบหน้าผ่าตัดพลาสติกลง พวกเขาพัฒนาความclassifier สำหรับรูปหน้าที่ก่อนหน้านี้มีเปลี่ยนปรับเปลี่ยนคุณลักษณะบางอย่างผ่านการผ่าตัดพลาสติกตามทฤษฎีเซตใกล้ ทำงานเกี่ยวข้องเท่านั้น geometrically รับค่าคุณลักษณะและการใช้การประมาณใกล้ชุด เมื่อจะแยกลักษณะการทำงานจะเป็นรูปแบบฐานข้อมูลคุณลักษณะ ใช้ค่าคุณลักษณะนี้ใกล้ทฤษฎีเซตให้มีวิธีการสร้างความคล้ายคลึงระหว่างวัตถุที่อยู่ในชุดตัว ที่มันให้เป็นทางการข้อมูลพื้นฐานสำหรับการสังเกตการณ์การเปรียบเทียบและจำแนกประเภทของวัตถุ ข้อจำกัดหนึ่งนี้approach is, it will recognize the face only after local plastic surgery, but not work in thepresence of global plastic surgery.Himanshu S. Bhatt, Samarth Bharadwaj, Richa Singh, and Mayank Vatsa [1], proposed amultiobjective evolutionary granular algorithm to match face images before and after plasticsurgery. The algorithm first generates non-disjoint face granules at multiple levels ofgranularity. The first level of granularity processes the image with Gaussian and Laplacianoperators to assimilate information from multiresolution image pyramids. The second level ofgranularity tessellates the image into horizontal and vertical face granules of varying size and

ผลลัพธ์ (ไทย) 2:

Gaurav Aggarwal โสม Biswas, แพทริคเจฟลินน์และเควิน W. ธนู [3] เสนอนวนิยาย
วิธีการที่จะรับมือกับความท้าทายที่เกี่ยวข้องในการจับคู่อัตโนมัติของใบหน้าทั่วพลาสติก
รูปแบบการผ่าตัด ในการกำหนดเสนอที่พวกเขาเสนอเบาบางส่วนฉลาด
แทนวิธีการรวมกับการเป็นตัวแทนเบาบางนิยมที่อยู่ใน
ความท้าทายของรูปแบบการทำศัลยกรรมพลาสติกและใช้ภาพจากแกลเลอรี่ที่ไม่ได้แยก
วิชาที่มีลักษณะใบหน้าที่คล้ายกันในท้องถิ่นเพื่อตอบสนองความต้องการนี้ พวกเขากล่าวว่า
วิธีการเป็นตัวแทนเบาบางนอกจากนี้ยังใช้สำหรับชีวภาพอื่น ๆ อีกหลายและวิสัยทัศน์คอมพิวเตอร์
ปัญหา หนึ่งในข้อ จำกัด ของ sparsity ตามการรับรู้ของไบโอเมตริกซ์คือมันต้องมีภาพหลายภาพ
ต่อเรื่องในแกลลอรี่.
KR ซิงห์ Roshni S Khedgaonkar, Swati P Gawande [4] เสนอวิธีการใหม่ในการค้นหา
ความใกล้ชิดระหว่างการผ่าตัดใบหน้าพลาสติกก่อนที่จะ โพสต์ใบหน้าศัลยกรรมพลาสติก พวกเขาพัฒนา
ลักษณนามสำหรับภาพใบหน้าที่ก่อนหน้านี้ได้รับการปรับเปลี่ยนคุณลักษณะบางอย่างผ่าน
การทำศัลยกรรมพลาสติกขึ้นอยู่กับการตั้งทฤษฎีที่อยู่ใกล้ งานของพวกเขาที่เกี่ยวข้องได้เฉพาะเรขาคณิต
ค่าคุณลักษณะและประมาณของตนโดยใช้ชุดที่อยู่ใกล้ เมื่อคุณสมบัติที่จะถูกแยก
ฐานข้อมูลคุณลักษณะจะเกิดขึ้น โดยใช้ค่าคุณลักษณะนี้ใกล้ทฤษฎีเซตมีวิธีการที่จะ
สร้างความคล้ายคลึงกันระหว่างวัตถุที่มีอยู่ในชุดเคลื่อนนั่นคือมันให้อย่างเป็นทางการ
เป็นพื้นฐานสำหรับการเปรียบเทียบการสังเกตและการจำแนกของวัตถุ ข้อ จำกัด นี้
วิธีการคือมันจะรับรู้ใบหน้าเท่านั้นหลังจากทำศัลยกรรมพลาสติกในประเทศ แต่ไม่ทำงานใน
สถานะของการทำศัลยกรรมพลาสติกทั่วโลก.
Himanshu S. Bhatt, Samarth Bharadwaj, Richa ซิงห์และ Mayank Vatsa [1] เสนอ
เอนกประสงค์ อัลกอริทึมเม็ดวิวัฒนาการเพื่อให้ตรงกับภาพใบหน้าก่อนและหลังพลาสติก
ผ่าตัด อัลกอริทึมแรกสร้างเม็ดใบหน้าที่ไม่ได้เคลื่อนในหลายระดับของ
เมล็ด ระดับแรกของเมล็ดประมวลผลภาพด้วย Gaussian และ Laplacian
ผู้ประกอบการที่จะดูดซึมข้อมูลจากหลายความปิรามิดภาพ ระดับที่สองของ
เมล็ด tessellates ภาพเป็นเม็ดใบหน้าในแนวนอนและแนวตั้งที่มีขนาดแตกต่างกันและ

ผลลัพธ์ (ไทย) 3:

ดาวน์โหลด s SOMA , บิสวาส แพทริคเจ. ฟลินและเควิน ดับเบิลยู โบว์เยอร์ [ 3 ] เสนอแนวทางใหม่
ที่อยู่ความท้าทายที่เกี่ยวข้องในการจับคู่อัตโนมัติในรูปแบบต่าง ๆของใบหน้าศัลยกรรมพลาสติก

ในการนำเสนอสูตรที่พวกเขาเสนอ ส่วนปัญญาเบาบาง
แทนวิธีการรวมกับการแสดงความนิยมที่อยู่
ป่าโปร่งความท้าทายของการเปลี่ยนแปลงการผ่าตัดพลาสติกและใช้ภาพจากแกลลอรี่
คนไม่แยกมีลักษณะใบหน้าที่คล้ายกันท้องถิ่นเพื่อตอบสนองความต้องการนี้ พวกเขากล่าวว่า นี้ยังใช้สำหรับการแสดง
เบาบางแนวทางชีวภาพอื่น ๆและหลายปัญหาวิสัยทัศน์
คอมพิวเตอร์ ข้อจำกัดของการ sparsity หนึ่งตามทาง มันต้องหลาย ๆภาพ
ต่อเรื่องในแกลเลอรี .
K . R . Singh รอชนีด้วย khedgaonkar Swati P , Gawande [ 4 ] เสนอวิธีการใหม่ในการค้นหา
ความใกล้ชิดระหว่างก่อนศัลยกรรมพลาสติกศัลยกรรมพลาสติกหน้าหลังหน้า พวกเขาพัฒนา
ลักษณนามสําหรับหน้าภาพที่เคยได้รับการแก้ไขบางคุณลักษณะผ่าน
ศัลยกรรมพลาสติกยึดใกล้ทฤษฎีงานที่เกี่ยวข้องเพียงวิธีที่ได้รับค่านิยมและคุณลักษณะของพวกเขาโดยใช้
ประมาณใกล้ชุด เมื่อคุณสมบัติจะถูกแยกเป็น
คุณสมบัติฐานข้อมูลจะถูกสร้างขึ้น การใช้คุณลักษณะนี้ค่าใกล้ทฤษฎีเซตมีวิธีการ
สร้างความคล้ายคลึงระหว่างวัตถุที่มีอยู่ในยู่ตั้ง นั่นคือมันมีแบบเป็นทางการ
พื้นฐานสำหรับการเปรียบเทียบโดยการสังเกตและการจำแนกวัตถุ ข้อหนึ่งต้องวิธีนี้
คือ มันจะจำหน้าหลังจากการผ่าตัดพลาสติกภายใน แต่ไม่ได้ทำงานในการแสดงตนของศัลยกรรมพลาสติก

) himanshu bhatt ภารทวาช samarth , เอส , ริชา ซิงห์ และ mayank Vatsa [ 1 ] เสนอ
multiobjective ขั้นตอนวิธีวิวัฒนาการเม็ดเพื่อให้ตรงกับใบหน้าภาพก่อนและหลังศัลยกรรมพลาสติก

ขั้นตอนแรกสร้างเม็ดบนใบหน้าที่ยู่หลายระดับ granularity
. ระดับแรกของกระบวนการภาพกับ granularity ) และผู้ประกอบการ Laplacian
ซึมซับข้อมูลจากการวิเคราะห์พีระมิดภาพ . ระดับที่สองของ
tessellates granularity ภาพในแนวนอนและแนวตั้งที่แตกต่างกันและขนาดเม็ดหน้า