Skip to main content
SUPERVISOR
Mohammad hossein Saraee,Maziar Palhang
محمدحسین سرایی (استاد راهنما) مازیار پالهنگ (استاد مشاور)
 
STUDENT
Marjan Momtazpour
مرجان ممتازپور

FACULTY - DEPARTMENT

دانشکده مهندسی برق و کامپیوتر
DEGREE
Master of Science (MSc)
YEAR
1386
With the explosive growth of data (including text, sound and video), the needs for automatic indexing, searching, organizing, and categorizing of these data have been increased as well. The majority of these data are generated in multimedia environment which include sounds and videos. Recently, video concept detection has received lots of attention. The main goal of video concept detection is to determine the presence of certain semantic concepts such as Outdoor, Airplane, Car and Person in a video frame. Nowadays, great developments in video concept detection have been reported in some domains. Each extra feature can increase the cost, space, and time of the The ambition of this thesis is to improve the behavior of the After feature selection, base Keywords : Semantic concept detection,
با رشد روزافزون داده‌ها (از قبیل متن، ‌صوت و تصویر) نیاز به نمایه گذاری، جستجو، سازمان دهی و دسته بندی خودکار داده‌ها افزایش یافته است. بیشتر این داده‌ها، داده‌های چندرسانه‌ای، شامل صوت و تصویر هستند. یکی از مهمترین مسائل در سال‌های اخیر، تشخیص مفاهیم معنایی است. هدف اصلی در تشخیص مفاهیم معنایی تعیین حضور مفهوم معنایی خاصی مانند «خارج ساختمان»، «‌هواپیما»، ‌»خودرو» و «انسان» در قاب‌های ویدئویی است. در گذشته، پیشرفت‌هایی در تشخیص مفاهیم معنایی در دامنه‌های مختلف گزارش شده است. رده بندی یکی از روش‌های متداول در حوزه تشخیص مفاهیم معنایی است. در حالیکه بسیاری از رده بندها می‌توانند برای این منظور استفاده شوند،‌ SVM متداول‌ترین آنهاست. رده بند‌های SVM در مسائل رده بندی پیچیده خوب عمل می‌کنند. با اینحال، فاز یادگیری آنها مخصوصاً در مواردی که تعداد خصیصه‌ها زیاد است، فرآیندی زمان بر محسوب می‌شود. هر خصیصه اضافی، هزینه،‌ حافظه مورد نیاز و زمان سیستم رده بندی را افزایش می‌دهد. به همین دلیل،‌ محققان پردازش تصویر، تمایل دارند تا برای طراحی و پیاده‌سازی رده بندها از مجموعه خصیصه‌های کوچک استفاده کنند. با اینحال،‌ به مجموعه‌ای مناسب از خصیصه‌ها برای بدست آوردن نرخ بازشناسی قابل قبول نیاز است. بنابراین، جستجو برای یافتن زیرمجموعه‌ای بهینه از خصیصه‌ها از میان مجموعه خصیصه‌های موجود، دارای اهمیت ویژه‌ای است. در تشخیص مفاهیم معنایی از طریق رویکردهای یادگیری ماشین، تعداد زیادی از خصیصه‌ها در کارهای گذشتگان در نظر گرفته می‌شد. اما، رده بندی بر اساس این تعداد زیاد از خصیصه‌ها نه تنها زمان رده بندی را افزایش می‌دهد بلکه می‌تواند باعث کاهش کارایی سیستم رده بند گردد. بنابراین، ‌انتخاب خصیصه می‌تواند به عنوان راه حلی مناسب برای کم کردن تعداد خصیصه‌ها باشد. هدف این پایان نامه، بهبود رفتار رده بند از دیدگاه زمان و کارایی است. در این پایان نامه، ‌قالب کاری جدیدی برای انتخاب مهمترین خصیصه‌ها از میان خصیصه‌های سطح پایین، که در رده بند‌های موجود استفاده می‌شوند، ارائه می‌گردد. این کار منجر به کاهش زمان یادگیری و رده بندی توسط خصیصه‌های انتخاب شده می‌شود. علاوه بر بهبود زمان رده بند، کارایی رده بند نیز قابل قبول خواهد بود. بدین منظور از الگوریتم ژنتیک برای انتخاب خصیصه استفاده می‌شود. بعد از انتخاب خصیصه، ‌رده بندهای پایه برای تشخیص وجود مفاهیم معنایی در ویدئو آموزش داده می‌شوند. به علاوه، از ترکیب برای بهبود کارایی رده بندهای پایه استفاده می‌شود. در مرحله ترکیب،‌ از خصیصه‌های انتخاب شده (توسط روش ارائه شده) استفاده می‌شود و با روش‌های ترکیب پیشین مقایسه می‌گردد. نتایج شبیه‌سازی‌ها نشان می‌دهند که با پالایش خصیصه‌های نا‌مربوط، معیارهای ارزیابی کارایی رده بند مخصوصا میانگین ظرافت (AP) بهبود می‌یابند. ظرافت، فراخوانی، دقت، F-score و ویژگی معیارهای کارایی دیگری هستند که در شبیه سازی‌ها اندازه‌گیری شده‌اند. کلمات کلیدی: تشخیص مفاهیم معنایی – رده بندی – ماشین بردار پشتیبان - انتخاب خصیصه - الگوریتم ژنتیک

ارتقاء امنیت وب با وف بومی