عنوان

روشی جدید در تشخیص فعالیت های انسان برای استخراج ویژگی ها با استفاده از آنالیز موجک با چگالی بالاتر و شبکه های عصبی پیچشی

Number

پ۲۵۴۲۲

.Language of Text, Soundtrack etc

per

Title Proper

روشی جدید در تشخیص فعالیت های انسان برای استخراج ویژگی ها با استفاده از آنالیز موجک با چگالی بالاتر و شبکه های عصبی پیچشی

First Statement of Responsibility

پگاه شعبانی مشکول

Name of Publisher, Distributor, etc.

مهندسی برق وکامپیوتر

Date of Publication, Distribution, etc.

۱۴۰۰

Specific Material Designation and Extent of Item

۷۴ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسي كامپيوتر گرايش هوش مصنوعي و رباتيك

Date of degree

۱۴۰۰/۰۶/۳۰

Text of Note

با افزایش استفاده از روش‌های هوشمند در تمام بعدهای زندگی انسان، یافتن روش‌های ساده و قابل اجرا بدون تکیه بر قدرت سخت افزاری سیستم‌های کامپیوتری بطوری که کارایی مناسبی در تشخیص فعالیت انسان داشته باشد، میتواند باعث کاهش هزینه‌ها در استفاده از مدل‌های مبتنی بر تشخیص فعالیت انسان شود. تشخیص ویژگی‌های شاخص در بعد زمان به اندازه ی ویژگی‌های مکانی درروش‌های تشخیص فعالیت از داده‌های ویدئویی اهمیت دارد. همچنین نوع ویژگی‌های استخراجی، متناسب با نوع کلاسیفایر و استفاده از توصیفگر مناسب از ضرورت‌های ارائه یک روش مناسب است. روش‌های متنوعی برای این منظور ارائه شده‌اند. اما آنچه در این روش‌ها مد نظر گرفته نشده سادگی روش است. هر چه ویژگی‌های دستی بیشتراستخراج شود، دقت روش بیشتر میشود اما با افزایش ویژگی‌های دستی زمان اجرای روش افزایش می یابد. همچنین هیچ ویژگی دستی مهندسی شده مناسبی برای تمامی‌انواع مجموعه داده‌ها وجود ندارد. در این پایان نامه ما روش OL-CHDMM+12ConvNet مبتنی بر کلاسیفایر شبکه‌های ‌‌کانولوشنی با استخراج ویژگی‌های نقشه حرکت عمق سلسله مراتبی در یک سطح و توصیفگر ضرایب ویولت معرفی کرده ایم که میتواند با استخراج نقشه حرکت عمق، اطلاعات زمانی را نیز استخراج کند و با استفاده از کانال‌های شبکه‌های ‌‌کانولوشنی که از خروجی نقشه حرکت عمق ترکیب یافته و ضرایب ویولت این نقشه‌ها تغذیه میکنند، استفاده کرده‌ایم. ما نشان میدهیم که این روش با استخراج یک مرحله ویژگی مبتنی بر انرژی حرکت دنباله ویدئو، دقت قابل قبولی دارد این درحالی است که بسیار سریعتر از سایر روش‌ها عمل میکند.

Text of Note

According to the increasing use of intelligent methods in all dimensional of human life, simple and reusable methods which are independent to the computational power of hardware of the system can decrease the cost of using the human action recognition-based models. Compatible feature extraction and suitable descriptor are necessary for good methods so extracting discriminant temporal features are as important as spatial features. Different methods have been proposed but the simplicity and the reusability are not considered. In human action recognition methods, as the number of hand-crafted features grows, the accuracy of the methods raises. But, the execution time of the methods increases as well. The point is “there is no universally best hand-engineered feature for all datasets”. In this thesis we propose a new method “OL-CHDMM+12ConvNet” based on deep convolutional neural networks as classifier and it includes a novel feature extraction which is an extension of AH_DMM and WHDMM and can extract more temporal feature of depth sequence than traditional DMM. We are using wavelet as descriptor in our method. We show that OL-CHDMM+12ConvNet has acceptable results predicting the unknown label by extracting just one level hand-crafted feature and it is faster than other methods

Variant Title

A New Feature Extraction Method for Human Action Recognition using Wavelet Analysis and Convolutional Neural Networks

Entry Element

شعبانی مشکول

Part of Name Other than Entry Element

‏ پگاه

Relator Code

تهيه کننده

Entry Element

برادرانی

Entry Element

‏بالافر

Part of Name Other than Entry Element

‏ آریاز

Part of Name Other than Entry Element

‏ محمدعلی

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏ تبریز