دانشجو: آقای علیرضا رهنما
استاد راهنما: دکتر ازاده منصوری
زمان: یکشنبه ۳۰ بهمن ماه ۱۴۰۱ ساعت: ۱۲:۳۰
مکان: کرج دانشکده فنی و مهندسی کلاس ۲۰۵
استاد راهنما: دکتر ازاده منصوری
زمان: یکشنبه ۳۰ بهمن ماه ۱۴۰۱ ساعت: ۱۲:۳۰
مکان: کرج دانشکده فنی و مهندسی کلاس ۲۰۵
چکیده
منظور از تشخیص فعالیت این است که یک ویدیو به عنوان ورودی به ماشین داده شود و ماشین عمل و یا اعمال انجام گرفته شده در آن ویدئو را به عنوان خروجی تشخیص دهد. در این راستا تلاش بر این است تا بتوان دقیق تر و سریع تر پردازش ویدئو و دسته بندی صورت گیرد و نتیجه ای مطلوب و قابل قبول به دست آید. به طور کلی سیگنال های ویدئویی دارای افزونگی قابل توجه مکانی و زمانی هستند و این افزونگی ها برپیچیدگی محاسبات ویدیویی می افزاید. روش های بسیاری تا کنون تعریف شده اند که از استخراج ویژگی استفاده کرده اند اما فشرده سازی، کمک قابل توجهی برای به دست آوردن ویژگی های مهم کرده است. با استفاده از داده‌ی فشرده مانند پسماند ها و بردار های حرکت، اطلاعات مختلف زمانی و مکانی هر ویدئو در دسترس است و می توان با این داده ها به دقت های مناسبی برای دسته بندی ویدئو ها رسید که این فرآیندسرعت قابل قبولی نیز خواهد داشت. مهم ترین ویژگی انجام کار در حالت فشرده سرعت بالا و پردازش بسیار کم آن است. در این پایان نامه هدف، ارائه یک چارچوب است که بتواند با استفاده از داده های دامنه فشرده روشی نسبتا دقیق و با پیچیدگی قابل قبول ارائه کنیم. در این راستا با استفاده ازشبکه‌های عصبی عمیق و استفاده از مولفه های مد فشرده چارچوب پیشنهادی طراحی شده است. قصد داریم تا از پسماند ها استفاده ای بهینه داشته باشیم زیرا دارای ویژگی های مکانی و زمانی هستند و با تجمیعی هوشمند بر روی داده های پسماند به یک داده مناسب، جهت کار با شبکه عمیق دست پیدا کنیم.
منظور از تشخیص فعالیت این است که یک ویدیو به عنوان ورودی به ماشین داده شود و ماشین عمل و یا اعمال انجام گرفته شده در آن ویدئو را به عنوان خروجی تشخیص دهد. در این راستا تلاش بر این است تا بتوان دقیق تر و سریع تر پردازش ویدئو و دسته بندی صورت گیرد و نتیجه ای مطلوب و قابل قبول به دست آید. به طور کلی سیگنال های ویدئویی دارای افزونگی قابل توجه مکانی و زمانی هستند و این افزونگی ها برپیچیدگی محاسبات ویدیویی می افزاید. روش های بسیاری تا کنون تعریف شده اند که از استخراج ویژگی استفاده کرده اند اما فشرده سازی، کمک قابل توجهی برای به دست آوردن ویژگی های مهم کرده است. با استفاده از داده‌ی فشرده مانند پسماند ها و بردار های حرکت، اطلاعات مختلف زمانی و مکانی هر ویدئو در دسترس است و می توان با این داده ها به دقت های مناسبی برای دسته بندی ویدئو ها رسید که این فرآیندسرعت قابل قبولی نیز خواهد داشت. مهم ترین ویژگی انجام کار در حالت فشرده سرعت بالا و پردازش بسیار کم آن است. در این پایان نامه هدف، ارائه یک چارچوب است که بتواند با استفاده از داده های دامنه فشرده روشی نسبتا دقیق و با پیچیدگی قابل قبول ارائه کنیم. در این راستا با استفاده ازشبکه‌های عصبی عمیق و استفاده از مولفه های مد فشرده چارچوب پیشنهادی طراحی شده است. قصد داریم تا از پسماند ها استفاده ای بهینه داشته باشیم زیرا دارای ویژگی های مکانی و زمانی هستند و با تجمیعی هوشمند بر روی داده های پسماند به یک داده مناسب، جهت کار با شبکه عمیق دست پیدا کنیم.
مطالب مشابه
دفعات مشاهده: 370 بار |
دفعات چاپ: 59 بار |
دفعات ارسال به دیگران: 0 بار |
0 نظر