بازگشت به بانک اطلاعات پایان نامه ها

شماره دانشجویی : 940079915
نام و نام خانوادگي : نسیم علیدادی تلخستانی
عنوان پایان نامه : استخراج ویژگی در شناسایی حرکات انسان از ویدئو با بکارگیری یادگیری عمیق
دانشكده : دانشکده فنی و مهندسی
گروه تحصيلي : مهندسي کامپيوتر
رشته/گرایش تحصيلي : هوش مصنوعي
مقطع تحصيلي : کارشناسی ارشد
استاد راهنما (عضو هیات علمی مرکز) : رضا روانمهر ,
استاد مشاور (استاد مشاور مدعو) : ,
جمشید شنبه زاده
چكيده : در دهه¬ي اخیر فعالیت¬ها و تلاش¬ها در زمینه¬هاي تعامل بین انسان و ماشین افزایش چشم¬گیري داشته است که باعث رشد تحقیقات در زمینه¬هاي تحلیل حرکات انسان، تشخیص رفتار انسان و تعامل انسان و ماشین شده است. درك زبان¬هاي طبیعی، پایگاه دانش و ابزارهاي پیشرفته¬ي استدلال و بسیاري از ابزارهاي دیگر براي نیل به هدف "ساخت ماشین¬هایی که شبیه به انسان عمل می¬کنند" استفاده شده¬اند. شناسایی اعمال و فعالیت¬های انسانی فرایندی است که طی آن برچسب¬گذاری روی دنباله¬ای از تصاویر براساس عمل انجام شده صورت می¬گیرد و هدف آن تشخیص حرکات در حال انجام است. این فرایند شامل سه مرحله اصلی تشخیص انسان در صحنه، استخراج ویژگی و تشخیص عمل صورت گرفته توسط انسان با استفاده از ویژگی¬های استخراج شده می¬باشد. اصلی¬ترین بخش از این مبحث، استخراج ویژگی برای تشخیص درست و طبقه¬بندی مناسب عمل صورت گرفته توسط انسان می¬باشد. هدف از این پژوهش، ارائه روشی برای بهبود عملکرد استخراج ویژگی می¬باشد، که منجر به افزایش دقت سیستم در طبقه¬بندی عمل صورت گرفته توسط انسان می¬شود. روش پیشنهادی این پژوهش از قدرتمندی روش¬های یادگیری عمیق بهره می¬گیرد. در روش پیشنهادی از شبکه¬های عصبی کانولوشن دو رشته¬ای مکانی-زمانی جهت یادگیری ویژگی استفاده شده است. در این روش برای افزایش سرعت، شبکه¬ی کانولوشن بدون نظارتی برای یادگیری شار نوری طراحی شده است. همچنین برای افزایش دقت شبکه، در هر لایه از شبکه خطای باقی مانده محاسبه می¬شود که سبب کاهش خطای گرادیان می¬شود. برای پیاده¬سازی روش ارائه شده از ابزار تنسورفلو استفاده شده و ارزیابی آن روی مجموعه داده UCF101 صورت گرفته است. نتایج حاصل از آن با روش¬های پیشین مقایسه شده است، که روش پیشنهادی دقت سیستم را نسبت به روش مرجع %5 بهبود بخشیده است. کلید واژه¬ها: شناسایی اعمال انسان، استخراج ویژگی، طبقه¬بندی، شبکه¬های عصبی کانولوشن، شار نوری، خطای باقی¬مانده
كلمات كليدي : شناسایی اعمال انسان، استخراج ویژگی، طبقه¬بندی، شبکه¬های عصبی کانولوشن، شار نوری، خطای باقی-مانده
تاريخ دفاع : 1397-06-17