این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
دریا فنون، جلد ۹، شماره ۳، صفحات ۲۲-۳۲
عنوان فارسی موقعیت‌یابی از طریق بازیابی تصاویر مرئی زیر آب بر پایه شبکه عصبی عمیق VGG-۱۶ و شبکه عصبی بازگشتی LSTM
چکیده فارسی مقاله بازیابی تصاویر زیر آب به عنوان بخش مهمی از ناوبری مدرن ، موقعیت‌یابی مکانی و اکتشافات دریایی مورد توجه قرار گرفته است. سیستم‌های بازیابی تصویر مبتنی بر محتوا، اطلاعات بصری تصویر را به شکل بردار ویژگی استخراج می‌کنند و مبنای شباهت سنجی تصاویر مشابه قرار می‌دهند. در این پژوهش ترکیب دو شبکه عصبی به منظور استخراج ویژگی‌های تصویر مورد بررسی قرار گرفته است. مدل پیشنهادی ویژگی‌های تصویر را با استفاده از شبکه عصبی عمیق VGG-16 استخراج می‌کند. تقویت ویژگی‌های استخراج شده و کشف روابط بین ویژگی‌ها و دینامیک تصویر با استفاده از شبکه عصبی بازگشتی LSTM صورت می‌گیرد. ترکیب دو دسته ویژگی‌های تصویر، امکان توصیف جزئیات دقیق‌تری را فراهم کرده است. مدل پیشنهادی برروی مجموعه داده‌های تصاویر مرئی زیر آب ارزیابی شده است. نتایج به دست آمده دقت مدل پیشنهادی در بازیابی تصاویر مشابه را بر اساس معیار شباهت ساختاری و معیار شباهت ویژگی به ترتیب برابر با %42.6 و 76% نشان می‌دهد.
کلیدواژه‌های فارسی مقاله موقعیت یابی، بازیابی تصاویر، شبکه عصبی عمیقVGG-16، شبکه عصبی بازگشتی LSTM،
عنوان انگلیسی Positioning by retrieving visible submarine images based on VGG-16 and LSTM network
چکیده انگلیسی مقاله Underwater image retrieval has been considered an essential part of modern navigation, spatial positioning, and marine exploration. Image retrieval systems extract the visual content in feature vector information and similar image evaluations. In this work, two neural networks are combined for image feature extraction. The proposed system extracts image features using the VGG-16 neural network. Reinforcement of the features from the previous step with the discovery of the relationships between the features and the dynamics of the image has been done using the LSTM recursive network. Combining the two categories of image features has made it possible to describe images more closely. The proposed method was evaluated on the underwater visible image dataset. The results show that the accuracy of the proposed method in retrieving similar images based on the structural similarity index (SSIM) method and Feature similarity index matrix (FSIM) is 42.6% and 76%, respectively.
کلیدواژه‌های انگلیسی مقاله موقعیت یابی, بازیابی تصاویر, شبکه عصبی عمیقVGG-16, شبکه عصبی بازگشتی LSTM
نویسندگان مقاله فاطمه طاهری |
گروه مهندسی کامپیوتر ، دانشکده فنی و مهندسی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

کامبیز رهبر |
گروه مهندسی کامپیوتر، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

احمد دولتخواه |
دانشجوی دکتری دانشگاه عالی دفاع ملی - تهران - ایران

بهنام درستکاریاقوتی |
گروه فناوری اطلاعات و ارتباطات، دانشگاه علوم انتظامی امین، تهران، ایران

محمدرضا مینایی |
گروه مهندسی کامپیوتر ، دانشکده فنی و مهندسی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

نشانی اینترنتی http://ijmt.iranjournals.ir/article_247603_c0a759d293075369dce200baa9c7a348.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
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