شناسايي عمل انسان بر مبناي تصوير ثابت و با استفاده از يادگيري عميق

كارشناسي ارشد

اخيراً شبكه¬هاي عصبي كانولوشني پيشرفت زيادي در طبقه¬بندي تصاوير داشته¬اند. اما تشخيص فعاليت انسان در تصاوير ثابت همچنان چالش برانگيز است، زيرا بر خلاف ويدئو¬¬ها، تصاوير ثابت داراي نشانه¬هاي حركتي نيستند. در حال حاضر بيشتر رويكرد¬هاي مبتني بر CNN براي تشخيص فعاليت انسان از تصاوير ثابت، داراي هزينه¬ي محاسباتي بيش از حد با تعداد بيشماري پارامتر هستند. روش¬هاي كارآمد اخير مستقيما يك شبكه¬ي عميق با تعداد لايه¬هاي زياد را با استفاده از داده¬هاي كمكي مانند جعبه¬هاي محدود كننده¬ي انسان، جعبه¬هاي محدود كننده¬ي اشياء، جعبه¬هاي محدود كننده¬ي بخش¬هاي بدن انسان و غيره بر روي مجموعه¬ي داده¬ي فعاليت انسان در تصاوير ثابت آموزش مي¬دهند. با اين حال اين روش¬ها علاوه بر هزينه¬هاي لازم جهت ايجاد داده¬هاي كمكي از تصاوير، داراي تعداد زيادي پارامتر هستند و بنابراين براي كاربرد¬هاي دنياي واقعي همانند دستگاه¬هاي تلفن همراه و ساير دستگاه¬هايي كه داراي منابع محاسباتي محدود هستند، مناسب نيستند. ما براي تشخيص فعاليت انسان در تصاوير تكنيك¬هاي چكانش دانش و انتقال توجه از شبكه بزرگ¬تر معلم به شبكه كوچك¬تر دانش آموز را به¬كار مي¬بريم كه مي¬تواند عملكرد شبكه دانش آموز را بدون افزايش پارامتر و هزينه¬هاي محاسباتي بهبود بخشد. علاوه بر اين، براي جلوگيري از بيش برازش شبكه¬ها به دليل كمبود داده¬هاي آموزشي برچسب خورده، روش انتقال يادگيري، يعني استفاده از شبكه¬هاي كانولوشني از پيش آموزش داده¬شده¬ روي مجموعه داده¬يImageNet ، به كار برده مي¬شود. نتايج آزمايش¬ها نشان مي¬دهد كه با -استفاده از اين روش، يك شبكه¬ي كوچك ResNet-18 قادر به گرفتن دانش و توجه يك شبكه-ي بزرگ ResNet-34 خواهد بود. در ادامه ما يك شبكه Se-ResNeXt-50 را با استفاده از يك شبكه¬ي عميق Se-ResNeXt-101، روي مجموعه¬ي داده¬ي Stanford 40 به همراه هر¬ دو تكنيك آموزش مي¬دهيم و به ميانگين دقت متوسط 08/92% مي¬رسيم. در انتها مقايسه¬ي نتايج ما با كارهاي ديگر نشان مي¬دهد كه ما توانسته ايم ميانگين دقت متوسط شناسايي فعاليت انسان در تصاوير ثابت را بدون افزايش تعداد پارامترها و پيچيدگي شبكه¬ي دانش¬آموز بهبود بخشيم.

194364

دانشگاه علم و صنعت ايران

الكترونيك ديجيتال

دكتر شهريار برادران شكوهي