14641

13191

كارشناسي ارشد

مخابرات سيستم

اصفهان : دانشگاه صنعتي اصفهان

1397

چهارده، [101]ص.: مصور (رنگي، جدول، نمودار

محمدرضا احمدزاده

مهران صفاياني

1398/03/04

كتابنامه

مهندسي برق

مهندسي برق و كامپيوتر

1398/03/05

2537465

1 چکیده شناسایی شی زیرمجموعهای از حوزه بینایی ماشین است که در حال حاضر بهشدت مبتنی بر یادگیری ماشین است در دهه گذشته زمینه یادگیری ماشین توسط شبکههای عصبی عمیق که ناشی از پیشرفت در توانایی محاسبات و دسترسی به اطالعات است تحت تأثیر قرارگرفته است شبکه عصبی کانولوشن نوعی از شبکه عصبی پرسپترون چند الیه است که برای پردازش بر روی تصاویر مناسب است این شبکه به این منظور آموزش داده میشود که ویژگیهای مختلفی مانند لبهها گوشهها و تفاوتهای رنگ در سرتاسر تصویر را استخراج نموده و آنها را به شکلهای پیچیدهتر ترکیب نماید برای شناسایی شی در تصویر باید هم مکان احتمالی آنها و هم نوع شی تخمین زده شود در این پایاننامه ادبیات جاری در مورد شناسایی شی بهوسیله شبکههای عصبی کانولوشن را موردبحث قرار داده و پیادهسازی و بهبود یکی از روشها را مدنظر قرار خواهیم داد علیرغم برتری و موفقیتهای نسبی بهدستآمده در دیگر روشها میتوان به این نتیجه رسید که شناساییشی بهوسیله شبکه عصبی کانولوشن هنوز هم بهعنوان یک دستآورد نو در حال تکامل است شبکه عصبی کانولوشن با کمترین نیاز به پیشپردازش دادهها مطرح شده است و در معماری آن وزنهای شبکه به اشتراک گذاشته میشوند بر مبنای آنچه بیان گردید شبکه عصبی کانولوشن کاربردهای متعددی در حوزهی بینایی ماشین پیدا کرده است از جمله این کاربردها میتوان به دستهبندی اشیا و تحلیل دادههای چندرسانهای اشاره نمود در این پایاننامه یک سیستم شناساییشی در تصویر به روش شبکه عصبی کانولوشن ارائه میگردد در روش پیشنهادی ابتدا شبکه عصبی خود رمزگذار و خود رمزگشای کانولوشن برای ناحیهبندی معرفی میشود الگوریتم نمونه افزایی در قسمت رمزگشای آن از اندیسهای ماکزیمم الیه ادغام جهت تولید نقشه ویژگی استفاده میکند در بخش بعدی شبکه عصبی کانولوشن پیشنهادی شی های موجود در تصاویر را ناحیهبندی میکند در بخش انتهایی بهمنظور ارزیابی روش پیشنهادی شبکه عصبی SegNet به عنوان یک شبکه مبنا استفاده شدهاست این روش بر پایگاه داده Cam Vid اعمال گردیده و نتایج بهدستآمده با میانگین دقت صحت ناحیه بندی 3 26 حاکی از کارایی روش پیشنهادی است کلمات کلیدی شبکههای کانولوشن یادگیری عمیق ناحیه بندی تصویر شناسایی شی

132 Semantic Image Segmentation using SegNet A convolutional encoder decoder Network Navid Mosayyebzadeh Date of Submission 2019 1 20 Department of Electrical and Computer Engineering Isfahan University of Technology Isfahan 84156 83111 Iran Degree M Sc Language Farsi Supervisor Dr Mohammad Reza AhmadzadehAbstractObject detection and recognition is a subfield of computer vision that is currently heavily basedon machine learning For the past decade the field of machine learning has been dominated byso called deep neural networks which takes advantage of the improvements in computingpower and data availability A class of a deep neural network is called convolutional neuralnetwork CNN which is well suited for image related tasks The network can be trained to lookfor different features such as edges corners and color differences across the image and tocombine these into more complex shapes For object detection the system has to both estimatethe locations of probable objects and to classify them In this thesis we review the currentliterature on CNN based object detection and investigate the competence of some methods Despite the success achieved in other methods it can be concluded that the object recognitionby the convolutional neural network is still evolving as a new technology CNNs are known asa variation of MLPs which require minimum data preprocessing requirement s In this thesis anobject recognition system based on the convolutional neural network method is proposed In the proposed method a convolutional autoencoder decoder network for the semanticsegmentation of the input image into predefined objects is presented The proposed algorithm inthe section of encoder uses the max pooling layer index in encoder part in order to produce afeature map Then in the next block the proposed network segments the input image intorecognized objects Finally in order to evaluate the proposed method the proposed algorithm isapplied to Cam Vid dataset Experimental results show that the proposed method obtains meanintersection over union on segmentation area of 62 3 which shows the superiority of theproposed method in comparison with other similar methods Keywords Convolutional Neural Network Deep Learning Semantic Image Segmentation ObjectDetection

محمدرضا احمدزاده

مهران صفاياني