فهرست مطالب mahsham kushki

انتخاب همه

تفریق پس زمینه با استفاده از شبکه های عصبی حافظه کوتاه-مدت بلند عمیق و سازوکار توجه

مهشام کوشکی، عصمت راشدی*، مریم آموزگار

نشریه ماشین بینایی و پردازش تصویر، سال یازدهم شماره 1 (بهار 1403)، صص 95 -105

جداسازی اشیاء متحرک از پس زمینه یکی از مسایل مهم و کاربردی در حوزه بینایی ماشین است. در این زمینه راهکارهای بسیار زیادی ارائه شده است. دسته ای از این راهکارها مبتنی بر یادگیری عمیق و شبکه های 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 پس زمینه از پیش زمینه در داده های ویدیویی ارائه شده است که در آن پس زمینه به صورت یک ماتریس کم رتبهL توسط یک شبکه عصبی عمیق استخراج می شود و پیش زمینه به صورت یک ماتریس تنک با تفریق L از تصویر اصلی به دست می آید. 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 می شود و می تواند آموزش ببیند به قسمت هایی از داده ها و تصویر که پیش زمینه 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 چالش های حوزه تفریق پس زمینه را پوشش می دهد، انتخاب شده است. کارایی راهکار پیشنهادی به طور کمی با استفاده از معیارهای استاندارد یادآوری، دقت و اندازه ی F-measuresارزیابی و با تعدادی از روش های 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 مطلوب تر شده است.

کلید واژگان: تفریق پس زمینه از پیش زمینه, یادگیری عمیق, شبکه عصبی LSTM, سازوکار توجه, یادگیری بدون نظارت, تفریق برخط پس زمینه}

چکیده مشاهده متن مقاله پژوهشی/اصیل زبان: فارسی

Background subtraction using deep long short-term memory neural networks and attention mechanism

Mahsham Kushki, Esmat Rashedi *, Maryam Amoozegar

Machine Vision and Image Processing, Volume:11 Issue: 1, 2024, PP 95 -105

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.

Keywords: Background Subtraction, Deep Learning, LSTM Neural Network, Attention Mechanism, Unsupervised Learning, Online Background Subtraction}

Abstract View Paper Research/Original Article Original: Persian

بدانید!

در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.

به جمع مشترکان مگیران بپیوندید!

فهرست مطالب mahsham kushki