این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۱۲، شماره ۱، صفحات ۶۱-۷۶
عنوان فارسی یک روش هوشمند جدید مبتنی بر شبکه‌‌ های کپسولی برای طبقه‌ بندی کشتی ‌های دریایی
چکیده فارسی مقاله شناسایی و طبقه‌ بندی دقیق کشتی‌ها نقش مهمی در پایش هوشمند ترافیک دریایی، امنیت دریایی و مدیریت عملیات امداد و نجات دارد. با این حال، پیچیدگی محیط‌های دریایی، تغییرات جوی، شرایط نوری نامناسب و شباهت ظاهری کشتی‌ها، چالش‌های جدی برای سیستم‌های شناسایی ایجاد می‌کند. در این مقاله، یک روش هوشمند جدید مبتنی بر شبکه‌های کپسولی برای طبقه‌بندی تصاویر کشتی‌های دریایی ارائه شده است. شبکه‌های کپسولی با استفاده از کپسول‌ها به‌عنوان واحدهای پردازش اطلاعات، قادر به حفظ روابط فضایی بین ویژگی‌ها بوده و اطلاعات جامع‌تری از ساختار اشیا ارائه می‌دهند. این ویژگی باعث افزایش صحت تصمیم‌گیری مدل می‌شود. برای ارزیابی عملکرد مدل پیشنهادی، از مجموعه داده MARVEL با 24 هزار تصویر در 8 دسته استفاده شد. در آزمایش‌های انجام شده، دقت کلی مدل در طبقه‌بندی تصاویر 61/97 درصد بود. در میان دسته ‌ها بیشترین دقت مربوط به دسته کشتی‌های کروز با 99 درصد و کمترین دقت مربوط به دسته ناوهای هواپیمابر با 95 درصد بود. هم‌چنین نتایج نشان داد که مدل پیشنهادی در شرایط نوری متفاوت، فاصله‌های زیاد و وجود چندین شیء در تصویر عملکرد مناسبی دارد. مقایسه دقت، حساسیت و عملکرد زمانی مدل پیشنهادی با شبکه‌های عمیق شناخته‌شده مانند GoogleNet، ResNet و VGGNet نشان داد که مدل پیشنهادی در بسیاری از شرایط برتر عمل می‌کند. این یافته‌ها نشان دادند که مدل ما ضمن عملکرد مناسب، می‌تواند به عنوان ابزاری قدرتمند و مؤثر برای طبقه‌بندی کشتی‌های دریایی در سامانه‌های نظارتی مورد استفاده قرار گیرد.
کلیدواژه‌های فارسی مقاله طبقه ‌بندی،کشتی‌ های دریایی،یادگیری عمیق،شبکه‌ های کپسولی،شبکه‌ های کانولوشنی،
عنوان انگلیسی A Novel Intelligent Method Based on Capsule Networks for Maritime Ship Classification
چکیده انگلیسی مقاله Accurate detection and classification of ships play a crucial role in intelligent maritime traffic monitoring, maritime security, and the management of search and rescue operations. However, the complexity of maritime environments, atmospheric variations, suboptimal lighting conditions, and visual similarity among ship types pose significant challenges for recognition systems. In this study, we propose a novel intelligent method based on Capsule Networks for the classification of maritime ship images. Capsule Networks, utilizing capsules as processing units, are capable of preserving spatial relationships between features and providing more comprehensive information about object structures. This characteristic enhances the model's decision-making accuracy. To evaluate the performance of the proposed model, the MARVEL dataset containing 24,000 images across 8 categories was employed. Experimental results indicated an overall classification accuracy of 97.61%. Among the categories, the highest accuracy was achieved for cruise ships (99%), while the lowest was observed for aircraft carriers (95%). Furthermore, the model demonstrated robust performance under varying lighting conditions, long distances, and in the presence of multiple objects within an image. A comparative analysis of accuracy, sensitivity, and computational efficiency against well-known deep networks such as GoogleNet, ResNet, and VGGNet revealed that the proposed model outperforms them in many scenarios. These findings suggest that the proposed method, due to its reliable performance, can serve as a powerful and effective tool for ship classification in maritime surveillance systems.
کلیدواژه‌های انگلیسی مقاله طبقه ‏بندی,کشتی‏ های دریایی,یادگیری عمیق,شبکه‏ های کپسولی,شبکه‏ های کانولوشنی
نویسندگان مقاله حامد جباری |
دانشگاه بین المللی امام خمینی، قزوین، ایران

حمید هوشمند |
دانشکده مهندسی برق و رباتیک، دانشگاه صنعتی شاهرود، سمنان

نوشین بیگدلی |
گروه مهندسی برق کنترل، دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی (ره) قزوین.

نشانی اینترنتی https://jmvip.sinaweb.net/article_226886_9c5da5a04c6ab1da99e155bef331ef80.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