شماره کتابشناسی ملی
شماره
۲۰۳۲۶پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
ردیابی اشیاء برای اشیاء بخش‌بندی شده به طور متراکم با استفاده از روش‌های یادگیری
عنوان اصلي به زبان ديگر
Object Tracking for Densely Segmented Objects using Learning Methods
نام نخستين پديدآور
/شکوفه یزدانیان
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: علوم ریاضی
تاریخ نشرو بخش و غیره
، ۱۳۹۷
نام توليد کننده
، راشدی
مشخصات ظاهری
نام خاص و کميت اثر
۶۸ص
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
علوم کامپیوتر گرایش سیستم‌های هوشمند
زمان اعطا مدرک
۱۳۹۷/۰۸/۱۴
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
ردیابی اشیاء یکی از زمینه‌های فعال در حوزه بینایی ماشین است .استفاده از الگوریتم‌های یادگیری ماشین در سال‌های اخیر نتایج قابل توجهی را در بر داشته و از این‌رو این روش برای کاربردهای مختلف توسط محققین توسعه یافته است .در این پایان‌نامه ردیابی اشیاء توسط یادگیری نیمه نظارتی مورد مطالعه قرار گرفته است .برای این منظور، از سه شبکه عصبی کانولوشن پایه ,منبع و تست استفاده شده است .در ابتدا مجموعه‌داده ImageNet برای پیش‌آموزش شبکه عصبی پایه به کار گرفته شده است و با استفاده از یادگیری انتقالی از نتایج آن در مراحل بعدی استفاده شده است .روش ردیابی مورد نظر ردیابی ناحیه‌ای می‌باشد .بدین منظور از مجموعه‌داده DAVIS که به طور متراکم بخش‌بندی شده است برای آموزش شبکه عصبی منبع استفاده شده است .سپس اقدام به معرفی مجموعه‌داده جدیدی می‌شود که دارای اطلاعات عمق تصاویرD) - (RGBمی‌باشد که برای ردیابی گزینه بهتری است و همچنین با مجموعه‌داده‌های قبلی دارای همپوشانی می‌باشد .در ادامه از مجموعه‌داده جدید در شبکه عصبی تست به عنوان داده تست استفاده شده است .بر خلاف روش‌های پیشین این روش به دلیل پیش‌آموزش و استفاده از تعداد زیادی تصاویر حاشیه‌نویسی شده و همچنین تصاویر دارای عمق، دقت ردیابی را بهبود می‌بخشد .علاوه بر در نظر گرفتن تمامی این عوامل ,نتایج عملی نشان می‌دهند که روش یادگیری نیمه نظارتی با این مجموعه‌داده‌ها عملکرد خوبی دارد
متن يادداشت
Object tracking is one of the most active fields in computer vision. In recent years, machine learning algorithms have yielded significant results. Hence, this method has been developed by researchers for various applications. In the proposed thesis, object tracking has been done by semisupervised learning. For this purpose, three neural networks have been used: the base network, parent network, and test network. At first ImageNet dataset used for pretraining of a base network, and used the results via transfer learning. Then for region tracking, we used DAVIS dataset that has densely segmented objects for training the parent network. Then we introduce new (RGB-D) dataset that has the depth information of images. This dataset is a better choice for tracking and overlap with the previous dataset. In the following, the new dataset in the test network is used as the test data. Unlike previous methods, this technique improves tracking accuracy because of using the pre-training and use of a large number of annotated images as well as depth images. In addition to taking into account all these factors, practical results show that learning methods with this dataset have better performance and better quality
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Object Tracking for Densely Segmented Objects using Learning Methods
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
یزدانیان، شکوفه
مستند نام اشخاص تاييد نشده
Shokoufeh, Yazdanian
دسترسی و محل الکترونیکی
يادداشت عمومي
سیاه و سفید
وضعیت فهرست نویسی
وضعیت فهرست نویسی
نمایه‌سازی قبلی
