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 ۹۵-۱۰۵
عنوان فارسی تفریق پس‌زمینه با استفاده از شبکه‌های عصبی حافظه کوتاه-مدت بلند عمیق و سازوکار توجه
چکیده فارسی مقاله جداسازی اشیاء متحرک از پس‌زمینه یکی از مسایل مهم و کاربردی در حوزه بینایی ماشین است. در این زمینه راهکارهای بسیار زیادی ارائه شده است. دسته‌ای از این راهکارها مبتنی بر یادگیری عمیق و شبکه‌های عصبی عمیق هستند که عمدتا به صورت نظارت شده و برون خط هستند. در این مقاله یک روش برخط و بدون نظارت مبتنی برای جداسازی پس‌زمینه از پیش‌زمینه در داده‌های ویدیویی ارائه شده است که در آن پس‌زمینه به صورت یک ماتریس کم رتبهL توسط یک شبکه عصبی عمیق استخراج می‌شود و پیش‌زمینه به صورت یک ماتریس تنک با تفریق L از تصویر اصلی به دست می‌آید. در طراحی شبکه عصبی فوق، از یک شبکه حافظه کوتاه-مدت بلند (LSTM) مبتنی بر سازوکار توجه استفاده شده است. یادگیری این روش به صورت بدون نظارت انجام می‌شود و می‌تواند آموزش ببیند به قسمت‌هایی از داده‌ها و تصویر که پیش‌زمینه در آن وجود دارد، وزن بیشتری اختصاص داده و توجه و تمرکز بیشتری داشته باشد. جهت ارزیابی مدل پیشنهادی، پایگاه داده LASIEST که تعداد زیادی از چالش‌های حوزه تفریق پس‌زمینه را پوشش می‌دهد، انتخاب شده است. کارایی راهکار پیشنهادی به طور کمی با استفاده از معیارهای استاندارد یادآوری، دقت و اندازه‌ی F-measuresارزیابی و با تعدادی از روش‌های معتبر و مطرح مقایسه شده که به ترتیب به میزان 8%، 10%، و 5% بهبود داشته است. علاوه بر این از نظر کیفی و شهودی نیز با راهکارهای موجود مورد مقایسه قرار گرفته که موفق به اخذ نتایج مطلوب‌تر شده است.
کلیدواژه‌های فارسی مقاله تفریق پس‌زمینه از پیش‌زمینه،یادگیری عمیق،شبکه عصبی LSTM،سازوکار توجه،یادگیری بدون نظارت،تفریق برخط پس‌زمینه،
عنوان انگلیسی Background subtraction using deep long short-term memory neural networks and attention mechanism
چکیده انگلیسی مقاله Detecting moving objects is one of the important and practical issues in the field of machine vision. There are many solutions in this field.Some of these solutions are based on deep learning and deep neural networks, which are mainly supervised and offline.This paper presents an online and unsupervised approach leveraging deep learning for separating background from foreground in video data. The background is extracted as a low-rank matrix L using a deep neural network, then subtracting L from the original image gives the sparse foreground matrix.In designing the above neural network, a longshort-term memory (LSTM) network based on the attention mechanism has been used. The model usesunsupervised learning and can pay more attention and focus to the desired parts of the image.In order to evaluate the proposed model, the LASIESTA database, which covers a large number of challenges in the field of background subtraction, is selected.The proposed solution is compared with some well-known methods using standard criteria such as recall, precision and F-measure that shows 8, 10, and 5 percent improvement, respectively. Furthermore,it is qualitatively compared with the existing methods and succeeded in obtaining more favorable results.
کلیدواژه‌های انگلیسی مقاله تفریق پس‌زمینه از پیش‌زمینه,یادگیری عمیق,شبکه عصبی LSTM,سازوکار توجه,یادگیری بدون نظارت,تفریق برخط پس‌زمینه
نویسندگان مقاله مهشام کوشکی |
کارشناس ارشد از دانشکده مهندسی برق و کامپیوتر، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران

عصمت راشدی |
دانشکده مهندسی برق و کامپیوتر، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران

مریم آموزگار |
گروه کامپیوتر و فناوری اطلاعات، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران

نشانی اینترنتی https://jmvip.sinaweb.net/article_202240_679cd56cfb91e18f1c6cc5d136a198d3.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