ORIGINAL_ARTICLE
مدلسازی محاسباتی جداسازی شیء هدف از پسزمینه در بازشناسی اشیاء با الهام سیستم بینایی انسان
قرار گرفتن شیء در پسزمینه باعث پیچیدهشدنِ مسئلهی بازشناسی اشیاء و درنتیجه افتِ عملکردِ مدلهای محاسباتی بینایی میشود. درحالیکه انسانها علیرغم این پیچیدگی، شیء هدف را با دقت و سرعت زیادی که متأثر از ارتباطات جانبی و بازخورد از نواحی بالاتر بینایی است بازشناسی میکنند.یکی از مدلهای بینایی که اخیراً به عملکرد چشمگیری در بازشناسی اشیاء دست یافته است، شبکه عصبی کانولوشنی است که مسیر پیشخورِ بینایی را شبیهسازی میکند. در این مقاله مدلی بازگشتی بر پایهی این مدل و با الهام از یافتههای بیولوژیک ارائهشده است که شامل اتصالهای بازخوردی از نواحی بالاتر و همچنین اتصالهای جانبی در همان لایه است. برای ارزیابی مدل از مجموعه دادهی پنج دستهای، شامل تصاویر دارای پسزمینه و بدون پسزمینه، استفاده شد. با بصریسازی بازنماییهایی ایجادشده در لایههای مدل مشاهده شد که با پیشروی در لایههای مدل، پسزمینهی بیشتری از تصویر ورودی حذف میشود. سپس با انجام آزمایشهایی نشان داده شد که مدلِ بازگشتی با سازوکارهایپیشنهادی بازخورد از نواحی بالاتر و سرکوب پیرامون باعث بهبود معنیدارِ عملکرد مدل، در حذف پسزمینهی شیء هدف و درنتیجه بازشناسی اشیاء میشود. با توجه به نتایج، در حالتی که هر دو سازوکارِ پیشنهادی همزمان به مدل افزوده شدند، این افزایشِ عملکرد بیشتر بود که این یافته با شواهدِ بیولوژیک نیز تطابق دارد.
https://jmvip.sinaweb.net/article_38533_eff252e904d8440e02255e68d9125d41.pdf
2017-06-22
1
16
جداسازی شیء هدف از پسزمینه
شبکههای عصبی کانولوشنی
مدلهای محاسباتی بینایی
بازخورد
ارتباطات جانبی
فریبا
عباسی
f.abbasi@srttu.edu
1
کارشناس ارشد برق، دانشکده مهندسی برق، دانشگاه تربیت دبیر شهید رجایی
AUTHOR
رضا
ابراهیم پور
ebrahimpour@ipm.ir
2
دانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجایی
LEAD_AUTHOR
کریم
رجایی
rajaei.k@ipm.ir
3
دانشجوی دکتری علوم اعصاب شناختی، پژوهشکده علومشناختی، پژوهشگاه دانشهای بنیادی
AUTHOR
ORIGINAL_ARTICLE
نهان نگاری ایمن مبتنی بر جاسازی ماتریسی جهت افزایش نرخ و بازدۀ جاسازی
با پنهان سازی بیت های محرمانه در یک سیستم نهان نگاری تصویر، تصاویر حامل اطلاعات محرمانه دچار اعوجاج می شوند. این امر منجر به احتمال ظن دشمن به وجود پیام محرمانه در این تصاویر می شود. جاسازی ماتریسی از طریق تقسیم تصویر پوششی به بلوک های با طول مشخص و اعمال تغییرات محدود در هر بلوک، به کاهش اعوجاج ناشی از پنهان سازی اطلاعات محرمانه کمک می کند. با این حال، استفاده از این ساختار منجر به محدود شدن ظرفیت اطلاعات قابل پنهان سازی در تصاویر پوششی می شود. در این مقاله، ظرفیت سیستم جاسازی ماتریسی از طریق اصلاح روش فن افزایش می یابد. با افزایش حداکثر تعداد تغییرات در یک بلوک به ازای پنهان سازی تعداد بیت محرمانۀ مشخص در هر بلوک، طول بلوک تصویر پوششی کاهش یافته و از این رو، نرخ جاسازی افزایش می یابد. همچنین به ازای ظرفیت یکسان، اعوجاج کاهش و بازدۀ جاسازی افزایش می یابد. در این روش، تصاویر حامل با کیفیت مطلوب و PSNR بالا حاصل می شود. از طرفی، روش پیشنهادی منجر به افزایش مقاومت در برابر پنهان شکنی می شود. این امر، احتمال ظن دشمن به وجود پیام محرمانه در تصاویر حامل را کاهش داده و امنیت را افزایش می دهد. نتایج شبیه سازی، حاکی از عملکرد مناسب روش پیشنهادی در مقایسه با سایر روش های موجود در این زمینه است.
https://jmvip.sinaweb.net/article_39360_5d1df8cc71e45969721d60785584d59d.pdf
2017-06-22
17
28
نهان نگاری
جاسازی ماتریسی
نرخ جاسازی
بازدۀ جاسازی
پنهانشکنی
PSNR
علیرضا
پورمحمدعلی
a.pmohamadali@eng.uk.ac.ir
1
دانشکده مهندسی برق، دانشگاه شهید باهنر کرمان
AUTHOR
مریم
پور محی آبادی
pourmahyabadi@uk.ac.ir
2
دانشکده مهندسی برق، دانشگاه شهید باهنر کرمان
LEAD_AUTHOR
حسین
نظام آبادی پور
nezam@uk.ac.ir
3
دانشکده مهندسی برق، دانشگاه شهید باهنر کرمان
AUTHOR
ORIGINAL_ARTICLE
شناسایی نوع و مدل وسیله نقلیه با استخراج خودکار بخشهای مشترک
پس از موضوعاتی چون تشخیص مکان خودرو و شناسایی گروه کلی خودرو، شناسایی نوع و مدل دقیق وسیله نقلیه (VMMR) در دههی اخیر در مرکز توجه محققین قرار گرفته است. این مسئله به دلیل وجود تعداد کلاسهای زیاد و شباهت بسیار زیاد این کلاسها به یکدیگر، از مسائل طبقهبندی دشوار به حساب میآید. در این مقاله، روشی برای شناسایی نوع و مدل وسیله نقلیه پیشنهاد شده است.روش پیشنهادی شامل دو بخش است. ارائهی رویکردی جدید برای شناسایی نوع و مدل وسیله نقلیه و ارائهی روشی برای پیادهسازی این رویکرد. رویکرد پیشنهادی با تمرکز بر بخشهای تشکیل دهندهی خودرو از قبیل چراغها، جلوپنجره و نشانواره به طبقهبندی کلاسهای مختلف وسیله نقلیه میپردازد. برای پیاده سازی این رویکرد، یک مدل مبتنی بر بخش را با استفاده از الگوریتم ماشین بردار پشتیبان مخفی (Latent SVM) آموزش داده ایم. این مدل قادر به استخراج پنج بخش برای هر خودرو است. توصیفگر هیستوگرام گرادیانهای جهتدار برای استخراج ویژگی و ماشین بردار پشتیبان برای طبقهبندی به کار گرفته شدهاند. برای آزمایش رویکرد مورد اشاره، مجموعه دادهای متشکل از 720 تصویر از نمای جلو و پشت 21 کلاس مختلف از خودروها جمعآوری شده و تمامی بخشهای آنها هم به صورت دستی و هم به صورت خودکار علامتگذاری و استخراج گشتهاند. نتایج آزمایشات انجام شده بر روی این تصاویر، در درجه اول، برتری رویکرد مبتنی بر بخش را نسبت به رویکردهای پیشین نشان میدهد؛ و در درجه دوم، نزدیکی دقت روش علامتگذاری خودکار به روش دستی را اثبات میکند. روش پیشنهادی موفق به کسب دقت 100% بر روی نمای جلو و پشت شده است.
https://jmvip.sinaweb.net/article_39605_9a15289ceacfad0db6bb89f1620586f1.pdf
2017-06-22
29
39
شناسایی نوع و مدل وسیله نقلیه
VMMR
رویکرد مبتنی بر بخش
استخراج خودکار بخشها
محسن
بیگلری
biglari@shahroodut.ac.ir
1
دانشجوی دکتری، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شاهرود
LEAD_AUTHOR
علی
سلیمانی
solimani_ali@shahroodut.ac.ir
2
دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شاهرود
AUTHOR
حمید
حسن پور
h.hassanpour@shahroodut.ac.ir
3
دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شاهرود
AUTHOR
ORIGINAL_ARTICLE
تشخیص عادت های نوشتاری و استفاده از آن در سنتز کلمات در دستخط های فارسی
تولید کلمات در زبان فارسی و ساخت دستخط به کمک اتصال حروف دست نوشته، یکی از موضوعات جالب و کاربردی می باشد، به طوری که راهبردهای جدیدی را در زمینه تشخیص حروف دست نویس فارسی و همچنین تصدیق صحت دستخط افراد مختلف، مشخص می کند. در این مقاله به ساخت دستخط افراد از دستخط های قبلی آنها بر اساس اتصال حروف، پرداخته شده است. برای این منظور در ابتدا به کمک استخراج نقاط کنترلی حروف فارسی، برخی از عادت های نوشتاری نویسنده تشخیص داده شده، سپس دسته بندی مشخصی از نحوه نوشتن کلمات و اتصال حروف نویسنده به دست می آید. الگوریتم ساخت کلمات به کمک اتصال حروف، با استفاده از روش های تقریب توابع و درونیابی با درجه های مختلف و در گام های متوالی ارائه می گردد که استفاده از این روش در ساخت کلمات، برای هرچه طبیعیتر شدن کلمه ساخته شده و مشابهت به دستخط واقعی نویسنده مفید می باشد. نتایج ارزیابی کلمات و قطعات ساخته شده با این روش نشان می دهد که تقریباً میانگین 80 درصد شباهت با دستخط واقعی نویسنده بدست آمده است.
https://jmvip.sinaweb.net/article_40531_27ab9b6a6370c55571fc13a9acb2f83b.pdf
2017-06-22
41
55
سنتز
دستخط های فارسی
اتصال حروف
نقاط کنترلی
درونیابی
فرزین
یغمایی
f_yaghmaee@semnan.ac.ir
1
دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان
LEAD_AUTHOR
ORIGINAL_ARTICLE
کاهش حجم ذخیره سازی تصاویر با استفاده از تحلیل مؤلفههای اصلی دو بعدی تُنُک
تحلیل مؤلفههای اصلی یکی از روشهایی است که در پردازش اطلاعات و کاهش ابعاد مجموعه داده موفق عمل کرده است؛ اما در زمان اعمال این الگوریتم به تصاویر، بایستی آنها را به شکل یک بردار درآورد که سبب از بین رفتن همبستگی مکانی پیکسل های مجاور میگردد. برای حل این مشکل، تحلیل مؤلفههای اصلی دوبعدی مطرح شده که فرآیند تبدیل تصویر به بردار را نیاز ندارد. نکتهی دیگر، تُنُک نبودن بردارهای پایه ی تحلیل مؤلفههای اصلی و هم ارزش نبودن تمامی آنان است. اخیراً تحلیل مؤلفههای اصلی تُنُک مطرح گردیده که با حفظ خواص تحلیل مؤلفههای اصلی استاندارد، سعی میکند تعداد زیادی از درایه های بردارهای پایه را صفر کند. در این مقاله تحلیل مؤلفههای اصلی دوبعدی تُنُک جهت بهره گیری همزمان از دو الگوریتم فوق بررسی خواهد شد.الگوریتم Least Angle Regression- Elastic Net با استفاده از قید نُرم یک و نُرم دو، محاسبهی مؤلفههای اصلی یک بعدی تُنُک را محقق می سازد. در این مقاله با اندک تغییراتی در ورودی الگوریتم مذکور، حالت دوبعدی آن را تحقق می بخشیم. عملکرد تحلیل مؤلفههای اصلی دوبعدی تُنُک جهت فشردهسازی یک تصویرکه به بلوک های 8×8 تقسیم گردیده، ارزیابی شده و در مقایسه با عملکرد تحلیل مؤلفههای اصلی دوبعدی، نتایج مناسبی بدست آمده است. همچنین با استفاده از ماتریس کوواریانس بلوکهای 8×8 از 60 تصویر متفاوت، مؤلفههای اصلی دوبعدی تُنُک به گونهای محاسبه گردیده که امکان استفاده از آنها برای هر تصویر آزمون دیگری میسر میباشد.
https://jmvip.sinaweb.net/article_40772_6133ef02206050843c1c70669644be5c.pdf
2017-06-22
57
69
کاهش ابعاد تصاویر
تحلیل مؤلفههای اصلی دوبعدی
تحلیل مؤلفههای اصلی تُنُک
تحلیل مؤلفههای اصلی دوبعدی تُنُک
زهرا
یک کلام
yekkalam@yahoo.com
1
کارشناس ارشد از دانشکده مهندسی برق، گروه مهندسی مخابرات، دانشگاه شهید بهشتی
AUTHOR
فرح
ترکمنی آذر
f-torkamani@sbu.ac.ir
2
دانشکده مهندسی برق، گروه مهندسی مخابرات، دانشگاه شهید بهشتی
LEAD_AUTHOR
ORIGINAL_ARTICLE
مقایسه تحلیلی اثربخشی انواع تبدیلهای توسعهیافته موجک بر شفافیت و مقاومت نشانهگذاری تصویر مبتنی بر تجزیه ماتریسی
با پیشرفت فناوری، دستکاری و انتشار رسانههای رقومی مانند عکس، صوت و ویدئو به بهسرعت درحال گسترش است. این روند سبب شده است تا مشکلاتی مانند کپی غیرمجاز نیز اهمیت بیشتری پیدا کند. نشانهگذاری روشی برای حفاظت از حقنشر و یا انتقال پنهان اطلاعات است. استفاده از تبدیل موجک بهدلیل توانایی خوب آن در مدلسازی سیستم بینایی انسان رویکرد مناسبی در انواع روشهای نشانهگذاری میباشد. تبدیلهای توسعهیافته موجک نیز همچون تبدیل موجک در انواع کاربردهای پردازش تصویر بهکارگرفته شدهاند و نتایج خوبی از آنها گزارش شده است. تاکنون پژوهشی متمرکز در حوزه اثربخشی موجکهای توسعهیافته بر مقاومت نشانهگذاری ارائه نشده است. در این مقاله تاثیر توسعههای تبدیل موجک در حملههای مختلف بررسی شده است. بدین منظور چارچوبی عمومی مبتنی بر تجزیه ماتریسی مقدار تکین دوقطری، برای جاسازی و استخراج نشانه پیشنهاد میشود. در آزمایشهای صورتگرفته طیف گستردهای از انواع حملهها جهت آزمون مقاومت نشانهگذاری استفاده شده است. نتایج بدست آمده نشان میدهند که موجکهای سنتی مقاومت خوبی مقابل حملههایی نظیر فشردهسازی و نویزها دارند اما در برابر حملههای هندسی مانند دوران و قیچیکردن مقاومت کمتری دارند. درعوض توسعههای موجک گسسته چندجهته برخلاف موجک سنتی مقاومت بهتری در برابر حملههای هندسی دارند.
https://jmvip.sinaweb.net/article_40942_c942fb720f2d927c41259df53d4c6dfa.pdf
2017-06-22
71
87
نشانهگذاری رقومی
تبدیل موجک
توسعههای تبدیل موجک
تجزیه ماتریسی
ملیحه
مردانپور
malihe.mardanpour@stu.yazd.ac.ir
1
دانشگاه یزد، دانشکده مهندسی برق و کامپیوتر
AUTHOR
محمد علی
زارع چاهوکی
chahooki@yazd.ac.ir
2
دانشگاه یزد، دانشکده مهندسی برق و کامپیوتر
LEAD_AUTHOR
حسین
جوانشیری
h.javanshiri@yazd.ac.ir
3
دانشگاه یزد، دانشکده علوم ریاضی، گروه ریاضی محض
AUTHOR