افزایش دقت بازشناسی صحنه های طبیعی پویا با استفاده از همبستگی بین نقشه های ویژگی در شبکه های عصبی پیچشی

بازشناسی صحنه­ های پویا یکی از زمینه­ های تحقیقاتی اساسی در حوزه بینایی ماشین بشمار می­ رود. در این مقاله با استفاده از شبکه­ های عصبی پیچشی (CNN)، روشی موثر جهت بازشناسی صحنه­ های پویا ارائه می­ شود. در روش پیشنهادی، همبستگی بین نقشه­ های ویژگی حاصل از لایه­ های مختلف یک شبکه عصبی به عنوان بردار­های ویژگی حاوی اطلاعات ویدئو، مورد استفاده قرار گرفته است. در این روش، ابتدا N فریم از ویدئو انتخاب شده و به کمک یک شبکه عصبی پیچشی، نقشه­ های ویژگی مربوط به فریم­ های منتخب، استخراج شده و برای هر فریم، یک ماتریس گرام محاسبه می­شود که بیانگر ویژگی­ های مکانی فریم­ های ویدئو است. سپس با قطعه­ بندی زمانی فریم­ های منتخب و میانگین­ گیری بر روی ماتریس­ های گرام این فریم­ ها، اطلاعات زمانی نیز لحاظ می­ شود. با انجام عملیات کدینگ ویژگی­ها و سپس pooling، برای هر ویدئو یک بردار ویژگی به منظور طبقه­ بندی ویدئو حاصل می­ شود. نتایج شبیه­ سازی­ ها بر روی سه مجموعه داده مطرح در این زمینه نشان می­دهد که روش پیشنهادی از دقت بازشناسی بهتری در مقایسه با سایر روش­ های مطرح در این زمینه تحقیقاتی برخوردار بوده و دقت بازشناسی را تا ۹% برای مجموعه داده Maryland و ۳% برای مجموعه داده YUP++ بهبود بخشیده است.

کلیدواژه ها:

بازشناسی صحنه های پویا ، شبکه عصبی پیچشی ، همبستگی نقشه های ویژگی