این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۸، شماره ۳، صفحات ۴۰-۵۱
عنوان فارسی تشخیص و مکان‌یابی رویداد‌های رایج و نادر در ویدیو با بکارگیری شبکه تخاصمی مولد
چکیده فارسی مقاله شناسایی رویداد‌های رایج و نادر در ویدیو یکی از مسائل مهم در حوزه تحلیل تصویر و ویدیو است. با توجه به عدم شناخت و در دسترس نبودن رویدادهای نادر، تشخیص آنها یک چالش محسوب می‌شود. امروزه، شبکه‌های ژرف یکی از بهترین ابزارها برای مدل‌سازی ویدیو هستند اما در این مساله با توجه به عدم وجود داده‌های برچسب‌دار از کلاس رویدادهای نادر، آموزش یک شبکه کانولوشنال ژرف به صورت معمول امکان پذیر نیست. با توجه به موفقیت شبکه های عصبی ژرف تخاصمی مولد، در این پژوهش یک شبکه ژرف یکپارچه (انتها به انتها) با الهام از شبکه های ژرف تخاصمی مولد برای تشخیص رویدادهای نادر ارائه شده است. این شبکه فقط با رویدادهای رایج و به صورت تخاصمی آموزش داده شده است. برای نمایش میزان عملکرد معماری پیشنهادی، از مجموعه دادگان استاندارد UCSDped1 و UCSDped2 به‌کارگیری شده است. معماری پیشنهادی روی مجموعه دادگان مذکور دارای نرخ‌خطای‌برابر به ترتیب 20% و 17% با سرعت پردازش 300 فریم بر ثانیه بوده است. این نتیجه علاوه بر ساختار یکپارچه شبکه و سادگی مرحله آموزش و آزمون آن، قابل مقایسه با نتایج روش‌های پیشرفته است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Dominant and rare events detection and localization in video using Generative Adversarial Network
چکیده انگلیسی مقاله Dominant and rare events detection is one of the most important subjects of image and video analysis field. Due to inaccessibility to all rare events, detecting of them is a challenging task. Today, deep networks are the best tool for video modeling but due to inaccessibility to tagged data of rare data, usual learning of a deep convolutional network is not possible. Due to the success of generative adversarial networks, in this paper an end-to-end deep network based on generative adversarial networks is presented for detecting rare events. This network is competitively trained only by dominant events. To evaluate performance of proposed method, two standard datasets: UCSDped1 and UCSDped2 are utilized. The proposed method can detect rare event with 0.2 and 0.17 equal error rate with the processing speed of 300 frames per second on the mentioned data respectively. In addition to end-to-end structure of the network and its simple train and test phase, this result is comparable to advanced methods results.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمد خالوئی |
گروه علمی مهندسی کامپیوتر (هوش مصنوعی)، پژوهشکده کامپیوتر و هوش مصنوعی، مجتمع برق و کامپیوتر، دانشگاه صنعتی مالک اشتر، تهران، ایران

محمد فخردانش |
گروه علمی مهندسی کامپیوتر (هوش مصنوعی)، پژوهشکده کامپیوتر و هوش مصنوعی، مجتمع برق و کامپیوتر، دانشگاه صنعتی مالک اشتر، تهران، ایران

محمد سبک رو |
گروه علمی مهندسی کامپیوتر (هوش مصنوعی)، پژوهشکده کامپیوتر و هوش مصنوعی، مجتمع برق و کامپیوتر، دانشگاه صنعتی مالک اشتر، تهران، ایران

نشانی اینترنتی http://jscit.nit.ac.ir/article_93041_98448d599e92c5238380a9006d717889.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/834/article-834-2064539.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات