این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۱۴، شماره ۴، صفحات ۱۷-۲۶
عنوان فارسی بررسی اثر شبکه آبشاری عمیق بر تشخیص ناهنجاری با استفاده از سیگنال سطح بالا شار نوری
چکیده فارسی مقاله تشخیص ناهنجاری ویدیویی با استفاده از بازسازی، عملی چالش برانگیز است. یکی از این چالش‌ها به حجم داده قاب‌های ورودی مورد نیاز برای تشخیص ناهنجاری مربوط است. این چالش معمولاً اثر خود را به صورت افزایش زمان مورد نیاز برای آموزش و تست نشان می‌دهد. معماری پیشنهادی نه تنها کارایی را بهبود می‌دهد بلکه زمان تست را به همان اندازه معماری پیشنهادی قبلی ما (AnoDetNet) نگاه می‌دارد. معماری پیشنهادی یک شبکه آبشاری بوده که به صورت ترکیبی از شبکه عصبی عمیق بازسازی و شبکه جانبی است. در زمان آموزش، شبکه جانبی از طریق تابع خطای ترکیبی آموزش را هدایت می‌کند. با توجه به اینکه در زمان آزمون از نتایج شبکه جانبی استفاده نمی‌شود، زمان کل آزمون نسبت به حالت غیرآبشاری تغییر نمی‌کند. در این مقاله دو شبکه جانبی تشخیص لبه و تخمین شارنوری بررسی شده است. معماری پیشنهادی، بهترین نتایج تشخیص ناهنجاری حرکتی حال حاضر را بر روی مجموعه دادگان Ped2 و Avenue به همراه دارد.
کلیدواژه‌های فارسی مقاله تشخیص ناهنجاری ویدیو، خودرمزگذار، شبکه آبشاری، شبکه عصبی، یادگیری عمیق،
عنوان انگلیسی A study of the effect of deep cascade network on anomaly detection using optical flow as a high-level additional signal
چکیده انگلیسی مقاله Video anomaly detection by reconstruction is a challenging task. One of its challenges is related to the volume of input data frames needed to be processed to detect anomalies. The challenge usually manifests itself as increased training and especially testing time. The proposed architecture boosts performance while maintaining the same test time as our previously introduced AnoDetNet architecture. The proposed architecture is a cascaded framework that is a succession of reconstruction and an auxiliary network. Upon training, the auxiliary network acts as guidance through the use of combined loss. The combined training of the networks results in a performance increase compared with the reconstruction case alone. Considering that the auxiliary network's results are not used in the test phase, the overall anomaly detection test time does not change compared with the non-cascaded architecture. Two possible auxiliary networks, namely edge detection and optical flow estimation are studied. The proposed architecture results in state-of-the-art results on the Ped2 and Avenue datasets.
کلیدواژه‌های انگلیسی مقاله تشخیص ناهنجاری ویدیو, خودرمزگذار, شبکه آبشاری, شبکه عصبی, یادگیری عمیق
نویسندگان مقاله مائده بهرامی |
دانشجو دکتری، دانشکده مهندسی برق، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران

مجید پوراحمدی |
دانشیار، دانشکده مهندسی برق، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران

عباس وفایی |
دانشیار، دانشکده مهندسی کامپیوتر،دانشگاه اصفهان، اصفهان، ایران

محمد رضا شایسته |
دانشیار، دانشکده مهندسی برق،واحد یزد،دانشگاه آزاد اسلامی،یزد، ایران

نشانی اینترنتی https://isee.ui.ac.ir/article_27515_2c9ad100e19774a154f7185d9849e480.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