عنوان

تشخيص فعاليت‌‌‌‌‌‌ افراد در تصاوير سه بعدى بااستفاده از شبكه عصبى‌‌هاى کپسول

شماره

پ۲۴۳۵۸

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

تشخيص فعاليت‌‌‌‌‌‌ افراد در تصاوير سه بعدى بااستفاده از شبكه عصبى‌‌هاى کپسول

نام نخستين پديدآور

حسين ماجدامير

نام ناشر، پخش کننده و غيره

مهندسی برق وکامپیوتر

تاریخ نشرو بخش و غیره

۱۳۹۹

نام خاص و کميت اثر

۱۰۲ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی کامپیوتر

زمان اعطا مدرک

۱۳۹۹/۱۱/۲۵

متن يادداشت

امروزه تشخيص فعاليت افراد، در کاربردهای نظارتی و مراقبت برافراد ناتوان بسیار ضروری می‌‌‌‌‌‌‌‌‌باشد. استفاده از دوربین ‌‌های نظارتی و پردازش تصاویر حاصل شده سبب دستیابی به سیستمی هوشمند و دقیق برای شناسایی رفتار انسان می‌گردد. از آنجایی که تشخیص انسان در صحنه های متفاوت با چالش های زیادی همراه‌است، روش‌‌‌های متعددی برای شناسایی فعالیت انسان از پردازش تصاویر ویدیویی ایجاد شده اند. بنابراین در‌این پژوهش به شناسايي و معرفي روندها و فناوری‌هاي جديد شبکه عصبی و یادگیری عمیق مانند شبکه‌های کپسولی و شبکه‌عصبی کانولوشن دو بعدی خواهیم پرداخت. شبکه عصبی کانولوشنی یک روش یادگیری عمیق است که با دریافت ویژگی‌های عمیق توانسته شناسایی فعالیت انسان را بهبود بخشد. در اين پایان‌نامه يک روش کارآمد در تشخيص فعاليات در تصاوير با استفاده از شبكه‌هاى كپسولى و LSTM معرفی و مورد ارزیابی قرار خواهد گرفت. در این تحقیق سه روش مبتنی بر الگوریتم یادگیری عمیق برای تشخیص فعالیت‌های انسانی ارائه شده‌است. روش‌های پیشنهادی شامل الگوریتم‌های کپسولی، LSTM و CNN 2d می‌باشد. روش پیشنهادی روی پایگاه داده MSRAction3D شبیه‌سازی گردید.از این پایگاه داده تعداد 20 کلاس از فعالیت‌های انسانی مشخص شده‌است. میانگین معیار MSE به‌دست‌آمده در‌‌‌‌ ‌روش کپسولی 3254/2 است که خطای به‌دست‌آمده هرچقدر کوچک‌تر باشد حاکی از کیفیت بالای روش پیشنهادی است. این در حالی است که در‌ روش LSTM مقدار به دست آمده، 7310/1 و درروش CNN 2D مقدار 4558/5 است. میزان میانگین خطای مربعات به‌دست‌آمده در مقایسه روش‌هایپیشنهادی، در روش LSTM کمتر است. اما میانگین معیار صحت به‌دست‌آمده در روش کپسولی 23/67 است که صحت به‌دست‌آمده هرچقدر بيشتر باشد حاکی از کیفیت بالای روش پیشنهادی است. این در حالی است که در روش LSTM مقدار به دست آمده، 03/63 و درروش CNN 2D مقدار 70/43 است. میزان صحت به‌دست‌آمده در مقایسه روش‌هایپیشنهادی، در روش کپسولی بيشتر‌‌ است.

متن يادداشت

Todays, it is very important to recognize the activities of individuals in monitoring and care applications for the disabled. The use of surveillance cameras and image processing results in an intelligent and accurate system for detecting human behavior. Because human recognition in different scenes is associated with many challenges, several methods have been developed to identify human activity from video image processing. Therefore, in this research, we will identify and introduce new trends and technologies in neural network and deep learning such as capsule networks and two-dimensional convolution neural networks. Cannulation neural network is a deep learning method that has been able to improve the detection of human activity by receiving deep features. In this dissertation, an efficient method for detecting activity in images using capsule networks and LSTM will be introduced and evaluated . In this research, three methods based on deep learning algorithm for detecting human activities are presented . Proposed methods include capsule algorithms, LSTM and CNN 2d. The proposed method was simulated on the MSRAction3D database. From this database, 20 classes of human activities have been identified . The average MSE score obtained in the capsule method is 2.3254, and the smaller the error obtained, the higher the quality of the proposed method. However, in the LSTM method, the value obtained is 1.7310 and in the CNN 2D method, the value is 5.4558. The mean square error obtained is lower in the LSTM method compared to the proposed methods. However, the average criterion of accuracy obtained in the capsule method is 67.23, and the higher the accuracy obtained, the higher the quality of the proposed method. This is while in LSTM method the value obtained is 63.03 and in CNN 2D method the value is 43.70. The obtained accuracy is higher in the capsule method compared to the proposed methods

عنوان گونه گون

Actions Recognition in 3D Images Using Capsule Networks

عنصر شناسه اي

ماجد امیر

ساير عناصر نام

حسین

کد نقش

تهيه کننده

عنصر شناسه اي

صالحپور

عنصر شناسه اي

‏‏برادرانی

ساير عناصر نام

‏‏ پدرام

ساير عناصر نام

‏‏ آریاز

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏ تبریز