مدل چندوظیفه برای تشخیص برجستگی و لبه با استفاده از تابع هزینه ترکیبی
Publish place: Journal Of Modeling in Engineering، Vol: 20، Issue: 71
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 246
This Paper With 13 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_JME-20-71_012
تاریخ نمایه سازی: 17 اردیبهشت 1402
Abstract:
تشخیص شئ برجسته با هدف شناسایی و بخش بندی برجسته ترین و متمایزترین اشیاء یا نواحی در یک تصویر انجام می شود. شبکه های کاملا کانولوشنی (FCN)، مزایای خود را در مساله تشخیص شئ برجسته نشان داده اند، با این حال، بسیاری از کارهای قبلی بر دقت ناحیه برجسته تمرکز کرده اند اما به کیفیت مرز توجهی ندارند. در این پژوهش، ما بر مکمل بودن بین اطلاعات لبه و اطلاعات شئ برجسته تمرکز می کنیم و یک ماژول تشخیص لبه را برای مدل سازی صریح اطلاعات لبه برای حفظ مرزهای شیء برجسته به شبکه پیشنهادی اضافه می کنیم. شبکه پیشنهادی ما سعی دارد این دو وظیفه مکمل را با کمک متقابل هم بهبود دهد. از طرف دیگر حضور اشیاء چند مقیاسی در مجموعه داده های تشخیص شئ برجسته نیاز به مدل سازی دقیق در سطح تابع هزینه برای مقابله با مشکل عدم تعادل بین پیش زمینه و پس زمینه در تصاویر دارد. از این رو، ما از تابع هزینه ترکیبی در مرحله آموزش استفاده می کنیم که به مقیاس اشیاء حساس نیست، و می تواند مساله انسجام فضایی را بهتر مدیریت کند و به طور یکنواخت مناطق برجسته را بدون پارامترهای اضافی برجسته کند. مقایسه نتایج کمی، کیفی به دست آمده توسط روش پیشنهادی با سایر روش های پیشرفته در شش مجموعه داده پرکابرد تشخیص برجستگی، نشان می دهد، روش پیشنهادی از عمل کرد خوبی برخوردار است و به سرعت می تواند مناطق برجسته را شناسایی کند. به طور خاص، روش ما بهترین عملکرد را در سه مجموعه داده آزمایشی پرکابرد از نظر معیارهای F-measure و MAE دریافت می کند که کارایی روش پیشنهادی را نشان می دهد.
Keywords:
Authors
سجاد دهقان
فارغ التحصیل
محمدجواد فدائی اسلام
دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان
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 :