İngilizce Düzenleme, Düzenleme Hizmeti, Redaksiyon, Düzenleme, İngilizce redaksiyon
Profesyonel İngilizce Akademik Metin Düzenleme ve Çeviri Hizmetleri
1.117 uzmanlık alanı, düzenlenmiş 140.000 makale, 89 ülke
Yayın destek hizmetlerimiz

Örnek ÇevirileriYapay Zeka

Yaş tahmin algoritması hiyerarşik yaklaşımı kullanır (şekil 10). İlk olarak, girdi parçaları üç yaş grubuna ayrılır: 18 yaşından küçük, 18-45 yaş arası ve 45 yaş üstü. İkinci olarak, bu adımın sonuçları, her biri tek bir on yıl ile sınırlı yedi küçük gruba bölünür. Böylelikle, çok sınıflı sınıflandırma problemi, bir dizi ikili “tümüne karşı bir” (one-against-all) sınıflandırıcılara (BC'ler) indirgenir. Sınıflandırıcı daha sonra görüntüleri ilişkili sınıfa göre sıralar ve nihai kararlara bu sıra dağılım grafikleri (histogramlar) analiz edilerek ulaşılır.Bu BC'ler iki seviyeli bir yaklaşım kullanılarak oluşturulmuştur. Öncelikle bir uyarlanabilir özellik uzayına, daha önce açıklandığı şekilde, dönüştürüldükten sonra, görüntüler RBF çekirdekli destek vektör makineleri kullanılarak sınıflandırılır.

Girdi parçaları, hizalanması ve tek tip bir ölçeğe dönüştürülmesi için parlaklık özelliklerine göre bir ön işleme tabi tutulur. Bu ön işleme adımı renk alanı dönüşümünü ve ölçeklendirmeyi içerir, her iki işlem de cinsiyet tanıma algoritmasında kullanılanlara benzer olan her iki işlem de cinsiyet tanıma algoritmasında kullanılanlara benzerdir. Özellikler, her renk bileşeni için hesaplanır ve tek tip bir özellik vektörü oluşturmak için birleştirilir.

Eğitim ve test, yeterince büyük bir renkli görüntü veri tabanı gerektirir. Son teknoloji MORPH ve FG-NET görüntü veri tabanlarını, farklı kaynaklardan elde edilmiş ve 10.500 yüz görüntüsünden oluşan kendi görüntü veri tabanımızla birleştirdik. Görüntülerdeki yüzler AdaBoost yüz algılama algoritmaları tarafından otomatik olarak tespit edildi.

Yaş sınıflandırma algoritmasının ilk aşamasını eğitmek ve test etmek için toplam 7000 görüntü kullanılmıştır. 144 uyarlanabilir özellik kullanılarak üç BC oluşturuldu.

Birinci aşama sınıflandırma sonuçları, genç yüzler için %82, orta yaşlı yüzler için %58 ve yaşlı yüzler için %92 doğruluk gösterdi. Üç yaş kategorisi için genel yaş sınıflandırması doğruluğu %77,3 idi.

İkinci aşama BC'ler, birinci aşama için olanlar ile aynı şekilde oluşturuldu (yukarıda açıklanmıştır). Şekil 11, önerilen algoritmanın ilk aşaması ile yaş tahmininin görsel bir örneğini göstermektedir.

The age estimation algorithm realises hierarchical approach (fig. 10). First of all input fragments are divided into1for three age groups: smaller than 18 years old, from 18 - 45 years old and bigger than 45 years old. Afterwards the results of this in the first stepage are more subdivided to seven smallernewer groups, with each limiteding to one single decade. Thus the problem of multiclass classification is therefore reduced to a set of binary ‘one-against-all’ classifiers (BC).These classifiers calculate: ranks of each of the analyzed class. The total decision is obtained then by the analysis the previously received rank histograms of ranks.

These BCs are constructioned using a two-level approach. After is appliedfirst with the 2transitioning to adaptive feature space, asequal to this3 described earlier, and support vector machines classification of images with RBF kernel.

Input fragments were preprocessed for their luminance characteristics to align and to transform them to uniformal scale. This pPreprocessing step includes color-space transformation and scaling, both operations similar to those used inthat of a gender recognition algorithm. Features, calculated for each colour component, are combined to form a uniform featured4 vector.

Training and testing5 require a sufficientlyhuge largeenough coloring image database: We used state-of-the-art image databases MORPH and FG-NET with our own image database, gathered from some6many sources, which comprised of 10,500 face images. Faces on the images were detected automatically by AdaBoost face detection algorithms.

A total number of seven thousand images were used for age classification algorithm training and testing on the first stage. 3 binary classifiers were made utilizing 144 adaptive features each of.

Classification results on the first stage are: 82 % accuracy for young age, 58 % accuracy for middle age and 92 % accuracy for senior age. Age classification accuracyrate in a three age division problem – 77.3 %.

Binary classifiers of the second stage were constructed equalsame to the first stage described above. A visual example of age estimation by the proposed algorithm on its first stage is presented in figs. 11.  

  1. [Accuracy] Changed preposition for better accuracy
  2. [Clarity] Clarity and word choice improved
  3. [Readability] Literal translation corrected for better readability
  4. [Technical Word Choice] [SME] Correct technical term used as per academia
  5. [Omission] Omission of “and testing” was observed
  6. [Mistranslation] corrected. “some” changed to “many” as per source text

The proposed age estimation algorithm realisesrealizes hierarchical approach (figFig. 10). First of all, the input fragments are divided into1for three age groups: smallerless than 18 years old, from 18 - 45 years old and biggermore than 45 years old. Afterwards2Second, the results of this in the firstfirst stepage are more further subdivided tointo seven smallernewer groups, with each limiteding to onea single decade. ThusThis reduces the problem oforiginal multiclass classification is therefore reduced problem to a set of binary one-against-all3 classifiers (BC). These classifiers calculate:Each classifier then ranks of each of the analyzedthe images based on the associated class. The total decision is, and the final decisions are obtained then by the analysis the previously received analyzing these rank histograms of ranks.       

These BCs are constructioned4 using a two-level approach. After is appliedfirst with the transitioning to an adaptive feature space, asequal to this5 described earlier, and the images are classified using support vector machines classification of images with radial basis function (RBF) kernels.6

The Iinput fragments wereare preprocessed forto align and transform their luminance characteristics to align and to transform them to uniformala uniform scale. This pPreprocessing step includes color-space transformation and scaling, both operations similar to those used inthat of athe 7gender recognition algorithm. Features, are calculated for each colourcolor component, are and combined to form a uniform featured8 vector.

Training and testing9 require a sufficientlyhuge largeenough coloring image database: We used. Here, we combined the state-of-the-art image databases MORPH and FG-NET image databases with our own image database, gathered from some10many sources, which comprised of many sources and comprising 10,500 face images. Faces on. The faces in the images were detected automatically by the AdaBoost face detection algorithms.

A total number of seven thousand7000 images were used for to train and test the first stage of the age classification algorithm training and testing on the first stage. 3 binary classifiers. Three BCs were made utilizingcreated, each with11 144 adaptive features each of.

Classification results on the The first-stage are:classification results showed 82 % accuracy for young agefaces, 58 % accuracy for middle age-aged faces, and 92 % accuracy for seniorelderly faces. The overall age. Age classification accuracyrate in afor the three age division problem –categories was 77.3 %.12

Binary classifiers of tThe second-stage BCs were constructed in the equalsame tomanner as the first stage (described above. A). Fig. 11 shows a visual example of age estimation by the first stage of the proposed algorithm on its first stage is presented in figs. 11..

  1. [Clarity] Clarity and word choice improved
  2. [Word/Phrase choice] Word choice enhanced
  3. [Punctuation] Quotations changed
  4. [Readability] Literal translation corrected for better readability
  5. [Technical Word Choice] [SME] Correct technical term used as per academia
  6. [Clarity] Rephrased for better clarity
  7. [Grammar] Grammar error rectified
  8. [Accuracy] Changed preposition for better accuracy
  9. [Omission] Omission of “and testing” was observed
  10. [Mistranslation] corrected. “some” changed to “many” as per source text
  11. Consistency] [Style] Abbreviation was defined earlier, used to maintain consistency
  12. [Readability] Words were added and rephrased for enhanced clarity and readability

The proposed age estimation algorithm realizes hierarchical approach (Fig. 10). First, the input fragments are divided into three age groups: less than 18 years old, 18–45 years old, and more than 45 years old. Second, the results of this first step are further subdivided into seven smaller groups, each limited to a single decade. This reduces the original multiclass classification problem to a set of binary “one-against-all” classifiers (BC). Each classifier then ranks the images based on the associated class, and the final decisions are obtained by analyzing these rank histograms.

These BCs are constructed using a two-level approach. After first transitioning to an adaptive feature space, as described earlier, the images are classified using support vector machines with radial basis function(RBF) kernels.

The input fragments are preprocessed to align and transform their luminance characteristics to a uniform scale. This preprocessing step includes color-space transformation and scaling, both operations similar to those used in the gender recognition algorithm. Features are calculated for each color component and combined to form a uniform feature vector.

Training and testing require a sufficiently large color image database. Here, we combined the state-of-the-art MORPH and FG-NET image databases with our own image database, gathered from many sources and comprising 10,500 face images. The faces in the images were detected automatically by the AdaBoost face detection algorithms.

A total of 7000 images were used to train and test the first stage of the age classification algorithm. Three BCs were created, each with 144 adaptive features.

The first-stage classification results showed 82% accuracy for young faces, 58% accuracy for middle-aged faces, and 92% accuracy for elderly faces. The overall age classification accuracy for the three age categories was 77.3%.

The second-stage BCs were constructed in the same manner as the first stage (described above). Fig. 11 shows a visual example of age estimation by the first stage of the proposed algorithm.

Enago Çeviri hizmeti

İleri Düzey Çeviri

Çeviri süreci konu uzmanı tarafından Tercüman + çapraz kontrol
+ Anadil kontrolü

    Uluslararası akademik dergilere başvuruda kullanılan makaleler (ör. Tez ya da tez özeti çevirisi...) ile çok büyük önem taşıyan belgeler.

    53Liradan
    Başlayan Fiyatlarla

  • Ücretsiz avantajlar
  • Sınırsız değişiklik ve revizyon
  • Sınırsız soru-cevap
  • çeviri sertifikası
  • kalite denetimi

Normal Çeviri

Çeviri süreci konu uzmanı tarafından Tercüman +
Çapraz kontrol

    Resmi, şirket içi iletişim belgeleri ve şirket dışı kullanılan belgeler

    42Liradan
    Başlayan Fiyatlarla

  • Ücretsiz avantajlar
  • Sınırsız soru-cevap
  • çeviri sertifikası
  • kalite denetimi

Yayınlanan Yazılar

YAYINCI DERGİ BİLGİLERİ ETKİ FAKTÖRÜ MAKALENİN BAŞLIĞI YAZAR
American Chemical Society Journal of American Chemical Society; 2011, 133 (9), pp 2860–2863 9.00 Sodium or Lithium Ion-Binding-Induced Structural Changes in the K-Ring of V-ATPase from Enterococcus hirae Revealed by ATR-FTIR Spectroscopy Furutani Yuji
Wiley-VCH Verlag GmbH & Co. KGaA Chemistry - A European Journal; Volume 15, Issue 38, Pages 9911–9917, September 28, 2009 5.00 Asymmetric [2,3]-Wittig rearrangement of oxygenated allyl benzyl ethers in the presence of a chiral di-tBu-bis(oxazoline) ligand: A novel synthetic approach to THF lignans Maezaki Naoyoshi
Elsevier Journal of Chromatography A; Volume 1218, Issue 43, 28 October 2011, Pages 7850-7856 4.00 Simple method for the simultaneous quantification of medium-chain fatty acids and ethyl hexanoate in alcoholic beverages by gas chromatography-flame ionization detector: Development of a direct injection method Takahashi Kei

Daha fazla bilgi için

Müşteri Yorumları

Daha fazla bilgi için

Konular ve Dergiler

Redaksiyon, Düzenleme, İngilizce redaksiyon, Redaksiyon, Düzenleme Hizmeti Redaksiyon, Düzenleme, İngilizce redaksiyon, Redaksiyon, Düzenleme Hizmeti

Enago editörleri tarafından düzenlenen makaleler, yüksek etki faktörlü ve SCI endeksli dergilerde yer almıştır. Aşağıda Enago müşterilerinin makalelerini gönderdikleri dergilerin listesini bulabilirsiniz

Redaksiyon, Düzenleme, İngilizce redaksiyon, academic proofreading services, Düzenleme Hizmeti
Redaksiyon, Düzenleme, İngilizce redaksiyon, english editing, Düzenleme Hizmeti, bilimsel editörün

Bölgesel İnternet Sayfaları

Çin

Güney Kore

Tayvan

scientific proofreading, scientific editing, bilimsel editörün
scientific proofreading, scientific editing, bilimsel editörün, ingilizce imla düzeltme

Konu Alanları

Enago, aralarında tıp, mühendislik, güzel sanatlar, beşeri bilimler, işletme ve ekonomi de bulunan 1.117‘den fazla konu alanında makale düzenleme hizmeti verebilir.

Daha fazla bilgi için...

Düzenleme Örneği

Nöroloji, kardiyoloji, mikrobiyoloji, plazma fiziği, ekonomi vb. birçok konudaki düzenleme örneklerimizi görün.

Daha fazla bilgi için...