Authors | حسن فرسی,رضا نصیری پور,سجاد محمدزاده |
---|---|
Journal | رایانش نرم و فناوری اطلاعات-Journal of Soft Computing and Information Technology |
Page number | ۹۳-۱۰۸ |
Serial number | ۹ |
Volume number | ۳ |
Paper Type | Full Paper |
Published At | ۲۰۲۰ |
Journal Grade | Scientific - research |
Journal Type | Typographic |
Journal Country | Iran, Islamic Republic Of |
Journal Index | isc |
Abstract
شناسایی شی برجسته، توجه محققین در حوزههای مختلف را به خود جلب کردهاست 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 نقشه برجستگی نهایی استفاده می¬کنند که از دقت قابل توجهی در تشخیص شیء برجسته برخوردار نمیباشند. از طرفی مدل¬های بصری بالا به پائین برای کاربردهای خاصی مورد استفاده قرار می¬گیرند. در این مقاله روش متفاوتی برای استخراج نقشه برجستگی شیء ارائه شده است که از ویژگی¬های سطح پائین به بالا و بالا به پائین برای استخراج نقشه 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 برجسته می¬شود. فرآیند یادگیری با استفاده از شبکه عصبی کانولوشن انجام میگیرد. پس از اینکه تصویر به سوپرپیکسل¬های آن تجزیه شد، ویژگیهای 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 میشود. دقت روش پیشنهادی با استفاده از 8 نقشه برجستگی و یادگیری عمیق بهبود داده شده است. روش پیشنهادی با بیش از 20 روش دیگر و در 4 پایگاه داده شناخته شده MSRA-1000، ECSSD، MSRA-10k 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 برجسته در تعیین خیرگی نگاه می¬باشد.
tags: نقشه برجستگی، ویژگی¬های سطح پائین به بالا و بالا به پائین، سوپرپیکسل، CNN