انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
3
2
2016
11
21
تشخیص حرکات دست برای تعامل انسان و رایانه با استفاده از کدگذاری خط سیر حرکت و شبکه عصبی مصنوعی
13
22
FA
فرزانه
آزادی پور قهستانی
دانشکده برق وکامپیوتر، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته کرمان
f.azadi@student.kgut.ac.ir
عصمت
راشدی
دانشکده برق وکامپیوتر، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته کرمان
e.rashedi@kgut.ac.ir
حرکات دست انسان حالتی از تعامل غیرکلامی است که در ارتباط بین انسان و رایانه مورد استفاده قرار میگیرد. شهودی و طبیعی بودن حرکات دست مهمترین عامل ایجاد انگیزه در محققان است که دستها را برای بهبود تعامل بین انسان و رایانه مورد استفاده قرار دهند. در این مقاله جهت تشخیص حرکت دست، با استفاده از اختلاف فریم ها، دست به عنوان تنها شی متحرک در تصاویر جدا شده است. پس از آن، بردار ویژگی حرکت دست استخراج شده است. این بردار ویژگی به عنوان ورودی شبکه عصبی مصنوعی جهت طبقه بندی حرکات انتقالی دست استفاده شده است. برای استخراج بردار ویژگی دو روش ارائه شده است. بردار ویژگی اول حاصل از کدگذاری خط سیر انتهایی ترین پیکسل دست در طی فریم ها است. بردار ویژگی دوم، از دو هیستوگرام زاویه ای برای کدگذاری دست استفاده میکند. شناسایی شش حرکت مختلف دست در داده های آزمایشی با نرخ بازشناسی 95/54 درصد با استفاده از بردار ویژگی اول و تشخیص این حرکات با نرخ بازشناسی 95/53 توسط بردار ویژگی دوم، کارایی بردارهای ویژگی پیشنهادی در تشخیص حرکات دست را نشان می دهد. همچنین مقایسه ی بردارهای ویژگی پیشنهادی با بردار ویژگی یک روش متداول، برتری روش های پیشنهادی را از نظر دقت، تعداد ویژگیها و زمان آموزش طبقه بند نشان می دهد.
تشخیص حرکات انتقالی دست,تشخیص دست,کدگذاری خط سیر حرکت دست,هیستوگرام زاویه ای,شبکه عصبی مصنوعی
https://jmvip.sinaweb.net/article_16712.html
https://jmvip.sinaweb.net/article_16712_3f49e24a2fb2672f06d179531be047c6.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
3
2
2016
11
21
افزایش تفکیکپذیری چند تصویری در حضور نویز با تعیین تطبیقی وزن جملهها در تخمینگر MAP
23
38
FA
نفیسه
مفیدی
دانشکده مهندسی برق و رباتیک، دانشگاه صنعتیشاهرود
mofidi@shahroodut.ac.ir
علیرضا
احمدی فرد
دانشکده مهندسی برق و رباتیک، دانشگاه صنعتیشاهرود
ahmadyfard@shahroodut.ac.ir
به منظور ارتقاء توان تفکیکپذیری تصویر و غلبه بر محدودیتهای فیزیکی سیستمهای تصویربرداری روش فراتفکیکپذیری تصویر مطرح میگردد. در این روش یک تصویر با تفکیکپذیری بالا از صحنه به کمک تلفیق رشتهای از تصاویر با تفکیکپذیری پایین صحنه، بازسازی میگردد. از آنجاییکه رویکرد بسیاری از روشهای فراتفکیکپذیری که اخیراً مورد استفاده قرار میگیرند بازسازی تصویر حذف نویز شده با تاکید بر حفظ لبه و جزئیات است، در این مقاله بر مبنای الگوریتمهای آماری، روشی تطبیقی پیشنهاد شده است که نسبت به نویز گوسی که موثرترین نویز تخریبکننده کیفیت تصویر است مقاوم بوده و دارای عملکرد مطلوبی نسبت به سایر روشهای مطرح شده است. در این روش تطبیقی، با معرفی ضرایبی جدید، اثرات نسبی جمله خطای داده و جمله تنظیم را در هر پیکسل تصویر تخمین زده شده ی با تفکیکپذیری بالا، کنترل مینماییم. این ضرایب با توجه به اطلاعات همسایگان پیکسل موردنظر تعیین می گردد. آزمایشهای انجام شده بر روی تصاویر ساخته شده و تصاویر واقعی نیز، عملکرد خوب الگوریتم پیشنهادی را نسبت به سایر روشها تصدیق میکند.
فراتفکیکپذیری,تخمین-M,وزن تطبیقی,جمله تنظیم BEP,ماتریس شاخص لبه
https://jmvip.sinaweb.net/article_17547.html
https://jmvip.sinaweb.net/article_17547_90771a7c6adb4d965286dfc93359057f.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
3
2
2016
11
21
روشی مبتنی بر ماشین یادگیری سریع با هسته غیرخطی برای انتخاب نمونههای اولیه در یادگیری چندبرچسبه مقیاس بزرگ
39
57
FA
حمید
کارگرشورکی
دانشجوی کارشناسی ارشد دانشکده مهندسی برق و کامپیوتر، دانشگاه یزد
hamidkargar@stu.yazd.ac.ir
محمدعلی
زارع چاهوکی
دانشکده مهندسی برق و کامپیوتر، دانشگاه یزد
chahooki@yazd.ac.ir
با وجود حجم عظیم محتوای چند رسانهای در وب، ذخیره سازی و بازیابی آنها با بکارگیری روشهای یادگیری موجود با محدودیت هایی از جمله کمبود حافظه مواجه شده است. تاثیر گذاری محدودیتهای مد نظر در روشهای یادگیری دارای مرحله آموزش مانند ماشین بردار پشتیبان (SVM) و شبکه های عصبی تا جایی است که امکان بکارگیری این روشها در کاربردهای مقیاس بزرگ تقریبا غیرممکن است. روش ماشین یادگیری سریع مبتنی بر هسته غیرخطی (KELM) یکی از روشهای قدرتمند ارائه شده در حوزه یادگیری ماشین است. اساس مرحله یادگیری در این روش مبتنی بر ساخت ماتریس هستهی نمونههای برچسبدار و محاسبه معکوس آن میباشد. از اینرو، بکارگیری این روش در محیطهای مقیاس بزرگ با وجود تعداد زیاد نمونههای برچسب دار امکانپذیر نیست. در این پژوهش به منظور حل مشکل مطرح شده در بکارگیری KELM در کاربردهای مقیاس بزرگ، روشی مبتنی بر انتخاب نمونههای اولیه با بهرهگیری از KELM در مقیاس کوچک همسایگی هر نمونه آموزش ارائه شده است. با بکارگیری روش انتخاب نمونههای اولیه ارائه شده، حجم مجموعه آموزش کاهش مییابد. بنابراین امکان استفاده از روش یادگیری KELM در کاربردهای مقیاس بزرگ فراهم میشود. از آنجایی که کاربردهای حوزه چند رسانه ای وب به صورت چندبرچسبه میباشند، روش ارائه شده در انتخاب نمونههای اولیه، مبتنی بر کاربردهای چندبرچسبه مانند شرحگذاری خودکار تصاویر است. نتایج آزمایشهای تجربی بر روی دادگان چندبرچسبه مقیاس بزرگ NUS-WIDE و نسخههای آن مانندObject، Scene و Lite بیانگر کارایی روش ارائه شده در حل محدودیتهای بکارگیری KELM در کاربردهای چندبرچسبه مقیاس بزرگ با انتخاب نمونههای اولیه دارد.
ماشین یادگیری سریع,انتخاب نمونههای اولیه,یادگیری چندبرچسبه مقیاس بزرگ,شرحگذاری خودکار تصاویر
https://jmvip.sinaweb.net/article_23959.html
https://jmvip.sinaweb.net/article_23959_cd4051cb55dc710218836855dea67d45.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
3
2
2016
11
21
توانایی مسیر پیشرو قشر بینایی در مقابله با تغییرات در بازشناسی اشیاء: آزمایشهای انسانی و مدل محاسباتی سازگار با قشر بینایی
59
72
FA
حمید
کریمی روزبهانی
دانشکده مهندسی برق، دانشگاه تربیت دبیر شهید رجایی
hkarimi@srttu.edu
رضا
ابراهیم پور
دانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجایی
rebrahimpour@sru.ac.ir
نصور
باقری
دانشکده مهندسی برق، دانشگاه تربیت دبیر شهید رجایی
na.bagheri@gmail.com
در این مقاله بازشناسی اشیاء در انسان در مواجهه با تغییرات مختلف بصورت کمّی مورد ارزیابی قرار میگیرد. در سالیان اخیر سامانه بینایی انسان به جهت سرعت و دقت بسیار بالا در بازشناسی اشیاء به عنوان الگویی برای توسعه بسیاری از الگوریتمهای محاسباتی در حوزه بینایی ماشین بوده است. از این رو، شناخت هرچه بهتر این سامانه و کمّیسازی رفتار آن در شرایط مختلف میتواند تا حد زیادی به مدلسازی بهتر آن کمک نماید. در این پژوهش، توانایی بازشناسی انسان زمانی که اشیاء دچار تغییر زاویه تابش نور، جهتگیری عمقی، اندازه و موقعیت میشوند مورد ارزیابی قرار گرفته است. برای این منظور دستهای از تصاویر با کنترل هر یک از تغییرات مذکور ساخته و تحت وضعیتهای خاص به سوژهها انسانی و مدل محاسباتی قشر بینایی ارائه داده میشود. مدل محاسباتی به منظور کمّیسازی تاثیر هر یک از تغییرات بر روی بازشناسی استفاده میشود. نتایج آزمایشهای انسانی حاکی از پیچیدگی بالای جهتگیری اشیاء در بازشناسی است. مشخص میشود که افت کارایی انسان بدلیل عدم توانایی در کاهش درهمتنیدگی بازنماییهای اشیاء در جهتگیریهای شدید است. به صورت کمّی بازنماییهای حاصل از تغییر زاویه تابش نور، جهتگیری عمقی، اندازه و موقعیت با رفتن از فضای پیکسل به قشر بینایی به ترتیب 0/57، 0/33، 0/55 و 0/73 بهبود مییابند.
بازشناسی اشیاء,قشر بینایی انسان,شبکه عصبی کانولوشنی,بازنمایی مستقل از تغییرات
https://jmvip.sinaweb.net/article_32800.html
https://jmvip.sinaweb.net/article_32800_6d0aa83162c0fc8f112f6bba24bc245d.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
3
2
2016
11
21
الگوی انتروپی محلی جهت استخراج ویژگی های تصاویر بافتی
73
85
FA
محمد حسین
شکور
گروه مهندسی کامپیوتر، واحد شیراز، دانشگاه آزاد اسلامی
mhshakoor@gmail.com
فرشاد
تاجری پور
دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز
tajeri@shirazu.ac.ir
روشهای زیادی برای استخراج ویژگی از تصاویر بافتی ارائه شده اند، یکی از مهمترین و ساده ترین روش ها، روش های مبتنی بر الگوی دودویی محلی است که بدلیل سادگی در پیاده سازی و استخراج ویژگی های مناسب با دقت طبقه بندی بالا، مورد توجه بسیاری از متخصصان قرار گرفته است. همچنین از ترکیب الگوی دودویی محلی و واریانس محلی ویژگی هایی با نتایج بهتر طبقه بندی تولید شده است. در اینجا از یک روش جدید بنام الگوی انتروپی محلی استفاده شده است. این روش از آن جهت که از رابطه ای مشابه انتروپی استفاده می کند بر این اساس نامگذاری شده است ولی از برخی جهات با رابطه انتروپی فرق دارد. روش پیشنهادی در مقایسه با الگوی دودویی محلی و واریانس محلی به نویز مقاوم تر است. همچنین ترکیب آن با الگوی دودویی محلی نتایج بسیار بهتری نسبت به ترکیب واریانس محلی با الگوی دودویی محلی تولید می کند. الگوی انتروپی محلی همانند واریانس نشان دهنده میزان غیرهمسان بودن الگوهای محلی هر همسایگی است. این روش ضمن اینکه کلیه ویژگی های مثبت روش های موجود مانند غیرحساس بودن به چرخش و تغییرات روشنایی را دارد، نسبت به نویز نیز بسیار مقاوم است.
طبقه بندی بافت,استخراج ویژگی,الگوهای دودویی محلی,واریانس محلی,الگوی انتروپی محلی
https://jmvip.sinaweb.net/article_33505.html
https://jmvip.sinaweb.net/article_33505_0f1e0816f83c6376a2527cd11abdbc04.pdf