موقعیت یابی از طریق بازیابی تصاویر مرئی زیر آب بر پایه شبکه عصبی عمیق VGG-۱۶ و شبکه عصبی بازگشتی LSTM
Publish place: Marine Technology Journal، Vol: 9، Issue: 3
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 231
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJMT-9-3_003
تاریخ نمایه سازی: 9 مهر 1401
Abstract:
بازیابی تصاویر زیر آب به عنوان بخش مهمی از ناوبری مدرن ، موقعیت یابی مکانی و اکتشافات دریایی مورد توجه قرار گرفته است. سیستم های بازیابی تصویر مبتنی بر محتوا، اطلاعات بصری تصویر را به شکل بردار ویژگی استخراج می کنند و مبنای شباهت سنجی تصاویر مشابه قرار می دهند. در این پژوهش ترکیب دو شبکه عصبی به منظور استخراج ویژگی های تصویر مورد بررسی قرار گرفته است. مدل پیشنهادی ویژگی های تصویر را با استفاده از شبکه عصبی عمیق VGG-۱۶ استخراج می کند. تقویت ویژگی های استخراج شده و کشف روابط بین ویژگی ها و دینامیک تصویر با استفاده از شبکه عصبی بازگشتی LSTM صورت می گیرد. ترکیب دو دسته ویژگی های تصویر، امکان توصیف جزئیات دقیق تری را فراهم کرده است. مدل پیشنهادی برروی مجموعه داده های تصاویر مرئی زیر آب ارزیابی شده است. نتایج به دست آمده دقت مدل پیشنهادی در بازیابی تصاویر مشابه را بر اساس معیار شباهت ساختاری و معیار شباهت ویژگی به ترتیب برابر با %۴۲.۶ و ۷۶% نشان می دهد.
Keywords:
Authors
فاطمه طاهری
گروه مهندسی کامپیوتر ، دانشکده فنی و مهندسی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
کامبیز رهبر
گروه مهندسی کامپیوتر، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
احمد دولتخواه
دانشجوی دکتری دانشگاه عالی دفاع ملی - تهران - ایران
بهنام درستکاریاقوتی
گروه فناوری اطلاعات و ارتباطات، دانشگاه علوم انتظامی امین، تهران، ایران
محمدرضا مینایی
گروه مهندسی کامپیوتر ، دانشکده فنی و مهندسی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :