این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۱۱، شماره ۱، صفحات ۴۳-۵۸
عنوان فارسی ارائه‌ی یک معماری جدید از شبکه‌های باور عمیق برای شناسایی عمل در ویدئو
چکیده فارسی مقاله استفاده از یادگیری عمیق در حل مسایل مربوط به تحلیل داده‌های پیچیده و حجیم مانند ویدئوها گسترش یافته است. از جمله پردازش‌هایی که روی ویدیوها انجام می‌گیرد، تشخیص عمل‌های انسانی است که کاربردهای مهمی در حوزه نظارت خودکار، تعامل انسان با رایانه و بررسی رفتارهای سالمندان دارد. شبکه‌های باور عمیق از میان انواع مختلف شبکه‌های عمیق، به خاطر ویژگی‌های خاص خود، به ویژه توانایی همگرایی سریع نسبت به دیگر روش‌ها و ساختار یکسان لایه‌ها، مورد توجه قرار گرفته‌اند. لیکن، قدرت شبکه های باور عمیق پایه در پردازش داده‌های پیچیده که مبتنی بر زمان نیز هستند جای تامل دارد.
در این مقاله، یک روش بازگشتی جدید بر مبنای شبکه‌های باور عمیق ارائه شده است. در روش پیشنهادی، توانایی پردازش و تفسیر فریم‌های دوبعدی ویدئو و درک مفهوم زمان به وسیله پیاده‌سازی بازگشتی به شبکه‌های باور عمیق اضافه شده است. این روش قادر به درک مفاهیم کوتاه مدت زمانی با استفاده از ماشین‌های بولتزمن محدود و بلند مدت زمانی بر مبنای پیاده‌سازی بازگشتی می‌باشد. روش پیشنهادی بر روی سه پایگاه داده شناخته‌شده در این حوزه با نام‌های KTH، UCF و HMDB51 ارزیابی شده و به ترتیب به دقت‌های برابر با 95.02، 93.14 و 74.28 دست یافته و با سایر روش‌های محبوب در شرایط مختلف مقایسه گردیده است.
کلیدواژه‌های فارسی مقاله یادگیری عمیق،شبکه‌های باور عمیق،ماشین های بولتزمن محدود،شناسایی عمل،شبکه‌های عصبی بازگشتی،
عنوان انگلیسی Introducing a New Architecture of Deep Belief Networks for Action Recognition in Videos
چکیده انگلیسی مقاله Deep learning has been widely used to solve problems related to the analysis of complex and voluminous data such as videos. One of the processing tasks performed on videos is human action recognition, which has important applications in the field of automatic surveillance, human-computer interaction, and the study of elderly behavior. Deep belief networks (DBNs) have been particularly attractive among different types of deep networks because of their special features, especially their ability to converge faster than other methods and the identical structure of their layers. However, the power of basic DBNs in processing complex data that are also time-dependent is worth considering.
In this paper, a new recurrent method based on DBNs is proposed. In the proposed method, the ability to process and interpret two-dimensional video frames and understand the concept of time through recursive implementation is added to DBNs. This method is capable of understanding short-term temporal concepts using restricted Boltzmann machines and long-term temporal concepts based on recursive implementation. The proposed method has been evaluated on three well-known datasets in this field, namely KTH, UCF, and HMDB51, and has achieved accuracies of 95.02, 93.14, and 74.28, respectively. It has also been compared with other popular methods under different conditions.
کلیدواژه‌های انگلیسی مقاله یادگیری عمیق,شبکه‌های باور عمیق,ماشین های بولتزمن محدود,شناسایی عمل,شبکه‌های عصبی بازگشتی
نویسندگان مقاله مجید جودکی |
دانشجوی دکتری مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران

حسین ابراهیم پور کومله |
گروه کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران

نشانی اینترنتی https://jmvip.sinaweb.net/article_193273_04e9454e1bff43d5540ef9da32c08b7b.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