استفاده از ساختارهای هرمی و شبکه های کاملا کانولوشنی در قطعه بندی معنایی تصاویر
Publish place: The 11th Iranian and the first International Conference on Machine Vision and Image Processing (MVIP 2020)
Publish Year: 1398
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 850
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICMVIP11_027
تاریخ نمایه سازی: 24 شهریور 1399
Abstract:
فهم یک تصویر و درک محتوا از مهم ترین چالش های پیشرو در یادگیری و بینایی ماشین است. یکی از مهم ترین راه های بررسی این چالش از مسیر قطعه بندی معنایی خواهد بود. در این مقاله، با ارائه یک رویکرد کاملا کانولوشنی و استفاده از معماری های کانولوشن و کانولوشن معکوس به همراه ساختارهای هرمی آتروس، به بررسی قطعه بندی معنایی پرداخته شده است. در این روش از معماری اولیه ResNet101 در قسمت استخراج ویژگی جهت استخراج ویژگی از تصاویر، و سپس از ساختارهای هرمی آتروس در مرکز اتصالات شبکه کانولوشن و کانولوشن معکوس استفاده شده است تا اطلاعات محلی و عمومی در قسمت ویژگی ها ترکیب گردد. از طرفی لایه های استخراج ویژگی با افزایش ابعاد در سطوح مختلف، به لایه های کانولوشن معکوس انتقال داده شده است. نتایج حاصل از این روش، دقت88/1 درصدی و برتری قطعه بندی معنایی نسبت به رویکردهای مورد بررسی را نشان می دهد
Keywords:
Authors
حسن علی کرمی
دانشجوی دکتری مهندسی کامپیوتر – هوش مصنوعی ، دانشکده مهندس ی برق و کامپیوتر ، دانشگاه سمنان، سمنان، ایران
محمدجواد فدایی اسلام
استا دیار ، دانشکده مهندسی برق و کامپیوتر ، دانشگاه سمنان، سمنان، ایران
فرزین یغمایی
دانشیار ، دانشکده مهندسی برق و کامپیوتر ، دانشگاه سمنان، سمنان، ایران