تخمین حالت سه بعدی بدن انسان

یک دسته از رویکردها برای تخمین حالت ? بعدی بدن انسان، رویکرد تمایزی است که با یادگیری مدلی، حالت ? بعدی را از ویژگی های تصویر ورودی تخمین می زند. به دلیل نبود اطلاعات عمق در تصویر، این رویکرد با چالش ابهام در عمق روبرو شده است. برای حل این چالش که یکی از اساسی ترین چالش های مساله تخمین حالت ? بعدی است، روش های نظارتی متعددی ارایه شده است. اما این روش ها به داده ها ی آموزشی بسیار زیادی (بیش از هزاران) نیاز دارند. بنابراین در سال های اخیر به منظور کاهش این نیاز، روش های نیمه نظارتی برای حل چالش ابهام در عمق مورد توجه قرار گرفتند. یک دسته از روش های نیمه نظارتی، روش های مبتنی بر گراف است که برای تخمین برچسب داده ها از گراف که تخمینی از منیفولد داده ها است، استفاده می کنند. یکی از مولفه های اصلی این روش ها، ساخت گراف همسایگی است به طوری که این گراف همسایگی از داده های بدون برچسب و برچسب دار ساخته می شود. بهبود کیفیت ساخت گراف تاثیر به سزایی در کارایی و دقت این روش ها دارد. اما به دلیل استفاده از فاصله ی اقلیدسی در ساخت گراف، گراف ساخته شده شامل یال های میان بر می باشد. این یال های میان بر، داده ها با برچسب های متفاوت را به یکدیگر متصل می نمایند. در این پایان نامه روشی نیمه نظارتی مبتنی بر گراف جهت تخمین حالت ?بعدی از دنباله ای از سیاه نماها ارایه شده است. اما به دلیل استفاده از فاصله ی اقلیدسی و چالش ابهام در عمق، گراف ساخته شده شامل یال های میان بر است. با بهره گیری از پنجره های زمانی لغزنده و مقایسه شباهت بین پنجره های زمانی، یال های میان بر در گراف همسایگی را کشف و حذف می نماییم. علاوه بر رفع چالش ابهام در عمق، به واسطه استفاده از رابطه ی بین داده های بدون برچسب و برچسب دار چالش نیاز به داده ی آموزشی زیاد نیز مرتفع می شود. روش پیشنهادی را بر روی فعالیت های گوناگونی آزمایش کردیم و نتایج حاصل از آن را با چند روش های نیمه نظارتی اخیر مقایسه نمودیم. کاهش میانگین مربع خطا (mse) روش پیشنهادی نسبت به روش های اخیر و همچنین گراف اولیه نشان دهنده ی بهبود عملکرد روش پیشنهادی است.