شماره راهنما :
1002 دكتري
پديد آورنده :
كليني، مينا
عنوان :
مدل سازي و دسته بندي بافت هاي پويا بر اساس تركيب ويژگي ها با استفاده از شبكه هاي بيزين پويا
گرايش تحصيلي :
هوش مصنوعي
محل تحصيل :
اصفهان: دانشگاه صنعتي اصفهان، دانشكده برق و كامپيوتر
صفحه شمار :
هجده، [182]ص.: مصور، جدول، نمودار
يادداشت :
ص. ع. به فارسي و انگليسي
استاد راهنما :
محمدرضا احمدزاده
توصيفگر ها :
تبديل موجك مختلط با درخت دوگانه , تركيب ويژگي ها , مدل پويايي بافت پويا , واژه نامه كلمات بصري , هيستوگرام كلمات بصري
استاد داور :
شهره كسايي، شادرخ سماوي، عبدالرضا ميرزايي
تاريخ ورود اطلاعات :
1395/12/08
رشته تحصيلي :
برق و كامپيوتر
دانشكده :
مهندسي برق و كامپيوتر
كد ايرانداك :
ID1002 دكتري
چكيده فارسي :
1 چكيده بافت پويا گسترشيافته بافت در بعد زمان است اخيرا مدل كردن و دستهبندي بافتهاي پويا توجه تحقيقات زيادي از اين حوزه را به خود جلب كرده است اولين گام در اغلب مسائل شناسايي الگو و بينايي كامپيوتر توصيف دادههاي ورودي به شكلي رياضي است بهگونهاي كه ويژگيهاي اصلي آنها را نمايش دهد به اين فرآيند استخراج ويژگيها گفته ميشود در بسياري از كاربردها ا عمال تنها يك توصيفگر براي استخراج يك نوع ويژگي جهت بهدست آوردن همه اطالعات مربوطه از دادههاي ورودي كافي نيست بنابراين الزم است دو يا چند توصيفگر ا عمال شود تا دو يا چند نوع مختلف ويژگي و در نتيجه دو يا چند نوع مختلف بردارهاي ويژگي با بعدها و دامنههاي مختلف استخراج گردد در اين رساله براي هدف دستهبندي بافتهاي پويا راهكاري نو بر اساس تركيب كارآمد انواع مختلف بردارهاي ويژگي كه دادههاي ورودي را توصيف ميكنند با حفظ فرم بعد و دامنه اصلي خود پيشنهاد ميكنيم از طرف ديگر هر بافت پويا داراي دو نوع اطالعات است بافت و پويايي عالوه بر دستهبندي براي هدف مدل كردن بافتهاي پويا اين دو جنبه از بافت پويا با استفاده از راهكار جديد پيشنهادي به طور كارآمدي شبيهسازي ميشوند اساس راهكار پيشنهادي بر الگوي شبكههاي بيزين به طور خاص شبكههاي بيزين پويا بنا نهاده شده است تركيب ويژگيها با بيشينه كردن احتمال تؤامان انواع مختلف بردارهاي ويژگي كه يك دسته خاصي از دادهها را توصيف ميكنند در طي فرآيند يادگيري شبكه بيزين پويا انجام ميشود براي بهبود فرآيند يادگيري و افزايش كارايي شبكههاي بيزين پويا شبكههاي بيزين پويا با پارامترهاي شروع نيمهتصادفي را پيشنهاد ميكنيم نتايج آزمايشها روي UCLA و DynTex كه از معروفترين مجموعههاي داده براي بافتهاي پويا هستند نشان ميدهد راهكار پيشنهادي سرعت قابل قبولي دارد ميانگين زمان دستهبندي يك نمونه بافت پوياي جديد براي مجموعههاي داده UCLA و DynTex به ترتيب حدود 13 و 11 ثانيه است همچنين نرخ صحيح دستهبندي با راهكار پيشنهادي كه در بهترين حالت براي هر دو مجموعه داده 111 و در حالت ميانگين 1 22 و 82 به ترتيب براي مجموعههاي داده UCLA و DynTex است خيلي بيشتر از نرخ صحيح دستهبندي با روشهايي است كه يك نوع بردار ويژگي و يا الحاق چند نوع بردار ويژگي در قالب يك بردار را اتخاذ ميكنند و همچنين روشهاي دستهبندي بافت پويا كه در حوزه دانش ما تاكنون معرفي شدهاند مزيت ديگر راهكار پيشنهادي اين است كه نسبت به تغييرات مقياس انتقال روشنايي و چرخش مقاوم است به اين ترتيب روشي جديد و كارآمد بر اساس تركيب ويژگيها با استفاده از شبكههاي بيزين پويا با پارامترهاي شروع نيمهتصادفي و با طراحي يك شبكه بيزين پوياي مناسب براي حل مسئلههاي مدلسازي و دستهبندي بافتهاي پويا روي مجموعههاي داده مزبور پيشنهاد ميكنيم همچنين يك الگوريتم ديگر با ماهيت اكتشافي كه بر اساس تحليل دو مرحلهاي بافت پويايي است را نيز براي حل مسئلههاي مدلسازي دستهبندي و ساخت بافتهاي پويا پيشنهاد ميكنيم در اين الگوريتم اطالعات بافتي را از فريمهاي بافتي بهدست ميآوريم و براي بهدست آوردن اطالعات پويايي يك مدل رياضي براي پويايي يك بافت پويا پيشنهاد ميكنيم مجددا از همان مجموعههاي داده براي مقايسه كارآيي و دقت اين روش با روشهاي دستهبندي بافت پويا كه در حوزه دانش ما تاكنون معرفي شدهاند استفاده ميكنيم نرخ صحيح دستهبندي با راهكار پيشنهادي در بهترين حالت 82 و 111 و در حالت ميانگين 72 و 33 12 به ترتيب براي مجموعههاي داده UCLA و DynTex است اين الگوريتم نيز نسبت به تغييرات انتقال روشنايي و چرخش مقاوم است كلمات كليدي تبديل موجك مختلط با درخت دوگانه تركيب ويژگيها شبكههاي بيزين پويا با پارامترهاي شروع نيمهتصادفي مدلسازي و دستهبندي بافتهاي پويا مدل پويايي بافت پويا واژهنامه كلمات بصري هيستوگرام كلمات بصري
چكيده انگليسي :
1 Modeling and Classification of Dynamic Textures Based on Feature Combination Using Dynamic Bayesian Networks Mina Koleini m koleini@ec iut ac ir 1395 8 29 Department of Electrical and Computer Engineering Isfahan University of Technology 84156 83111 Isfahan IranDr Mohammad Reza Ahmadzadeh Ahmadzadeh@cc iut ac irDr Saeed Sadri Sadri@cc iut ac irDr Mohammad Reza Taban Assistant Professor Associate ProfessorAbstractA new efficient feature combination based method is proposed using Semi Random Starting ParameterDynamic Bayesian Networks SRSP DBNs and by designing an appropriate DBN to solve modeling andclassification of Dynamic Textures DTs Our approach is based on a BN scheme especially DBN Featurecombination is accomplished by maximizing the joint probability of different feature vector types duringlearning process of the DBN To increase the efficiency of DBNs SRSP DBNs are proposed Experimentalresults on the DT datasets show that the average classification time of a new DT sample is about 31 and 11seconds and the average and best correct classification rate is 99 5 and 100 for the UCLA and 98 and100 for the DynTex datasets respectively The approach is invariant to the scale shift illumination androtation variations In addition a novel heuristic approach based on a two phase texture and dynamism analysisis proposed to solve modeling classification and synthesis of DTs In this approach we capture the textureform textured frames and the dynamism by proposing a mathematical model for dynamism of a DT Theaverage and best correct classification rate is 97 and 98 for the UCLA and 95 33 and 100 for theDynTex datasets respectively This approach is also invariant to the shift illumination and rotation variations Key WordsDynamic texture Modeling Classification Dual tree complex wavelet transform Semi random starting parameter dynamic Bayesian network Dictionary of visual words IntroductionDT modeling and classification have numerous applications in different areas such as remotemonitoring for the prevention of forest fires traffic monitoring security systems scientificstudies of animal behavior human activity recognition and gait recognition In the context ofsurveillance isolating the activities of interest like fire from distracting background forexample windblown vegetation and changes in scene illumination is very important Indecision making applications certain critical dynamic patterns can be utilized to trigger thecorresponding reactive behaviors In image and video retrieval and indexing DT algorithmscan be applied as complementary clues We just consider natural and not synthesized DTs Various methods have been proposed for DT recognition The first category is physics basedapproaches in which models of dynamic patterns are derived based on a first principleanalysis of the generating process Kung and Richards 1988 The second category refers to motion analysis methods that extract motion flow features bythe estimated normal flow and optical flow Fazekas and Chetverikov 2005 Rather thancapturing dynamic information alone some other works capture the joint photometric dynamic pattern structure using local binary pattern based methods Arashloo and Kittler 2014 Zhao and Pietik inen 2006 2007 Another approach in this category is object trackingmethods Derpanis and Wildes 2012
استاد راهنما :
محمدرضا احمدزاده
استاد داور :
شهره كسايي، شادرخ سماوي، عبدالرضا ميرزايي
