بازیابی تصویر مبتنی بر محتوا با استفاده از شبکه های عصبی کانولوشن عمیق
Publish place: Tabriz Journal of Electrical Engineering، Vol: 48، Issue: 4
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 536
This Paper With 9 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_TJEE-48-4_016
تاریخ نمایه سازی: 22 تیر 1398
Abstract:
بازیابی تصویر یکی از موضوعات مهم و چالش برانگیز در حوزه بینایی ماشین و پردازش تصویر است. تاکنون تحقیقات زیادی در زمینه بازیابی بر روی روش های مختلف انجام شده است. از دهه 70 میلادی بازیابی مبتنی بر کلمه معرفی شد و پس از گذشت دو دهه با توجه به افزایش حجم داده ذخیره شده و ناکارآمدی این روش ها، بازیابی مبتنی بر محتوا پایه گذاری شد. دراین روش محققان با توجه به استخراج ویژگی از تصاویر، به نتیجه بهتری دست یافتند. اما وجود فاصله معنایی میان ادراک انسان و ویژگی های سطح پایین استخراج شده از تصاویر از یک سو و از سوی دیگر افزایش بی رویه حجم داده پیرو پیشرفت فناوری، باعث شد تا روش های ابداع شده ناکارآمد شوند و پژوهش ها به سمت الگوریتم های جدیدتر معطوف شوند. با توجه به موفقیت و رشد چشم گیر الگوریتم های یادگیری عمیق، برآن شدیم تا روشی جدید مبتنی بر یادگیری عمیق به منظور بازیابی تصویر پیاده سازی کنیم. در این مقاله پس از معرفی شبکه های عصبی کانولوشن به عنوان زیرمجموعه ای از روش های یادگیری عمیق، سیستم بازیابی مبتنی بر شبکه عصبی کانولوشن پیشنهاد می دهیم و با اجرای این سیستم بر روی سه پایگاه داده ALOI، Corel و Mpeg7 و محاسبه سه معیار (P(0.5) ،P(1 و ANMRR و مقایسه آن ها با روش های دیگر، نشان می دهیم که این مدل از دقت خیلی بالاتری نسبت به سایر الگوریتم های مرسوم، برخوردار است.
Keywords:
Authors
امیر سزاوار
دانشکده مهندسی برق و کامپیوتر - دانشگاه بیرجند
حسن فرسی
دانشکده مهندسی برق و کامپیوتر - دانشگاه بیرجند
سجاد محمدزاده
دانشکده فنی و مهندسی فردوس - دانشگاه بیرجند
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 :