شناسایی شی برجسته در پیش بینی تمرکز نگاه با استفاده از یادگیری عمیق
Publish Year: 1399
Type: Journal paper
Language: Persian
View: 81
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_JSCIT-9-3_008
Index date: 16 October 2024
شناسایی شی برجسته در پیش بینی تمرکز نگاه با استفاده از یادگیری عمیق abstract
شناسایی شی برجسته، توجه محققین در حوزه های مختلف را به خود جلب کرده است بگونه ای که در بسیاری از کاربردهای ماشین بینایی از جمله شناسایی و رهگیری شیء بکار گرفته می شود. بیشتر کارهای انجام شده در این حوزه مبتنی بر مدل های بصری پائین به بالا می باشند و از ویژگی های سطح پائین برای استخراج تصویر برجستگی نهایی استفاده می کنند که از دقت قابل توجهی در تشخیص شیء چشمگیر برخوردار نمی باشند. از طرفی مدل های بصری بالا به پائین برای کاربردهای خاصی مورد استفاده قرار می گیرند. در این مقاله روش متفاوتی برای استخراج تصویر برجستگی شیء ارائه شده است که از ویژگی های سطح پائین به بالا و بالا به پائین برای استخراج تصویر برجستگی استفاده می کند و مبتنی بر فرآیند یادگیری می باشد. انتخاب همزمان این ویژگی ها باعث بهبود الگوریتم پیشنهادی در کاربردهای مختلف می شود و باعث افزایش دقت شناسایی شیء چشمگیر می شود. فرآیند یادگیری با استفاده از شبکه عصبی کانولوشن انجام می گیرد. پس از اینکه تصویر به سوپرپیکسل-های آن تجزیه شد، ویژگی های متفاوتی از آن استخراج می گردد. سپس ویژگی های استخراج شده به میانگین صفر و واریانس واحد نرمالیزه شده و از الگوریتم شبکه عصبی کانولوشن به منظور آموزش دادن ویژگی ها استفاده می شود. دقت روش پیشنهادی با استفاده از ۸ تصویر برجستگی و یادگیری عمیق بهبود داده شده است. روش پیشنهادی با بیش از ۲۰ روش دیگر و در ۴ پایگاه داده شناخته شده MSRA-۱۰۰۰، ECSSD، MSRA-۱۰k و PASCAL-S مورد ارزیابی و مقایسه قرار گرفته شده است. نتایج حاکی از کارآیی روش پیشنهادی نسبت به سایر روش ها در زمینه پیش بینی شیء چشمگیر در تعیین تمرکز نگاه می باشد.
شناسایی شی برجسته در پیش بینی تمرکز نگاه با استفاده از یادگیری عمیق Keywords:
شناسایی شی برجسته در پیش بینی تمرکز نگاه با استفاده از یادگیری عمیق authors
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 :