دوره یادگیری عمیق

با سلام خدمت علاقه مندان حوزه هوش مصنوعی

بدینوسیله باستحضار شما دوستان می رساند دوره یادگیری عمیق از هم اکنون از سایت آکادمی هوش مصنوعی کامبیز طباطبائی به نشانی www.kambizta.ir قابل دریافت می باشد. دوستان بعد از ثبت نام در دوره کد کاربری spot player تولید شده در حساب کاربری را کپی نموده و در نرم افزار spot player وارد نمایید، بدین صورت فیلم دوره برای شما قابل مشاهده خواهد بود.

مقاله ارئه کاربردی جدید در یافتن اشخاص گم شده در دوربینهای نظارتی با استفاده از یادگیری عمیق

این مقاله  با ارائه یک راهکارکاربردی، جهت تسهیل یافتن افراد گم شده در اماکن عمومی با استفاده از یادگیری عمیق در پاییز سال 1400 در مجله علوم رایانشی توسط آقایان دکتر علیمحمد لطیف، دانشیار گروه مهندسی کامپیوتر دانشگاه یزد و کامبیز طباطبایی اردکانی به چاپ رسید، این مقاله با آموزش راهکار عملی، کمک شایانی در پیدا نمودن اشخاص گم شده می نماید، بدین صورت که اگر فردی در جایی گم شد براحتی می توان عکس چهره او را به این سیستم تحویل داده و سپس آخرین مکانی که شخص حضور داشته است را تعیین می کند، علاوه بر این به تکنیکهای تشخیص هویت در ورودی های فرودگاه و غیره اشاره کرده است.

بخش بندی تصاویر با یادگیری عمیق

بخش بندی معنایی تصاویر ؟

در تصاویر کامپیوتری، واژه ” بخش بندی تصویر ” یا ” بخش بندی” به تقسیم تصویر به گروهی از پیکسل براساس برخی معیارها اشاره دارد . یک الگوریتم بخش‌بندی تصویر به عنوان ورودی و خروجی مجموعه‌ای از مناطق ( یا بخش‌ها ) را می‌گیرد.ناحیه‌بندی موثر اشیاء در تصویر رنگی یک مسئله مهم عملگرهای پردازش تصویر است. با ناحیه بندی مؤثر، عنصر مورد نظر را جدا می‌کنیم. برتری یک روش ناحیه بندی بر دیگر روش‌ها به مشخصات خاص مسئله‌ای که بررسی می‌شود، بستگی دارد. ناحیه‌بندی تصاویر رنگی در بسیاری از کارهای پردازشی بر روی تصاویر، چون تصاویر درمانی، بینایی ماشین، فشرده سازی تصویر، شئ شناسی، نیازی ضروری و مهم برای شروع پردازش بر روی شی یا بافت مورد نظر می باشد. برای مثال در تصاویر درمانی، یک پزشک با استفاده از دانش و تجربه ی خود به ناحیه بندی بافت مورد نظر در تصویر می‌پردازد. اما زمانی که تعداد تصاویر زیاد باشند و یا اینکه کانتراست و تغییر شدت روشنایی اشیاء نسبت به یکدیگر کم باشد و تصویر از لحاظ دید انسان نامناسب باشد، ناحیه بندی بسیار هزینه بر بوده (هم از نظر مالی و هم از نظر زمانی) و با خطا روبرو می گردد. بنابرین نیاز به خودکار کردن فرایند ناحیه بندی تصویر، امری لازم و ضروری می باشد. ناحیه بندی تصویر به روش های مختلفی صورت می پذیرد که به طور کلی می‌توان آنرا به دو دسته ی کلاسیک و شکل شناسی تقسیم بندی نمود. بخش بندی معنایی تصاویر یعنی تخمین کلاس برای هر پیکسل تصویر.

نحوه ناحیه بندی تصاویر ؟

ﺑﺨﺶﺑﻨﺪی ﺗﺼﻮﯾﺮ اوﻟﯿﻦ ﻣﺮﺣﻠﻪ و ﺑﺤﺮاﻧﯽﺗﺮﯾﻦ ﻣﺮﺣﻠﻪ از آﻧﺎﻟﯿﺰ ﺗﺼﻮﯾﺮ ﻣﯽﺑﺎﺷﺪ ﮐﻪ ﻫﺪﻓﺶ اﺳﺘﺨﺮاج اﻃﻼﻋﺎت داﺧﻞ ﺗﺼﻮﯾﺮﻣﺎﻧﻨﺪ (ﻟﺒﻪﻫﺎ ، ﻧﻤﺎﻫﺎ و ﻫﻮﯾﺖ ﻫﺮ ﯾﮏ از ﻧﻮاﺣﯽ) ﻣﯽﺑﺎﺷﺪﮐﻪ از ﻃﺮﯾﻖ ﺗﻮﺻﯿﻒ، ﻧﺎﺣﯿﻪﻫﺎی ﺑﺪﺳﺖ آﻣﺪه را ﺑﺮای ﮐﺎﻫﺶ آﻧﻬﺎ ﺑﻪ ﺷﮑﻞ ﻣﻨﺎﺳﺐ ﺑﺮای ﭘﺮدازش ﮐﺎﻣﭙﯿﻮﺗﺮ و ﺗﺸﺨﯿﺺ ﻫﺮ ﯾﮏ از ﻧﻮاﺣﯽ آﻣﺎده ﻣﯽﮐﻨﺪ.نتیجه بخش بندی ﺗﺎﺛﯿﺮ ﻗﺎﺑﻞ ملاحظه ای ﺑﺮ دﻗﺖ ارزﯾﺎﺑﯽ وﯾﮋﮔﯽﻫﺎﺧﻮاﻫﺪ داﺷﺖ ..ﺑﺨﺶﺑﻨﺪی اﻏﻠﺐ ﺷﺮح ﻓﺮآﯾﻨﺪ ﺗﻘﺴﯿﻢ ﺗﺼﻮﯾﺮ ﺑﻪ  اﺟﺰاء اﺻﻠﯽ و اﺳﺘﺨﺮاج ﻗﺴﻤﺘﻬﺎی ﻣﻮرد ﻋﻼﻗﻪ  اﺷﯿﺎء ﻣﯽﺑﺎﺷﺪ. بخش بندی یکی از مشکل ترین مباحث در پردازش تصویراست که در موفقیت عمل تحلیل تصویر بسیار موثر است. برای بخش بندی تصویر روشهای مختلفی وجود دارد که می توان انهارا به دو دسته روشهای مبتنی بر هیستوگرام(based -Histogram ) و روشهای مبتنی بر خوشه بندی(Clustering-Based) تقسیم کرد. که البته هر کدام از این دو روش دارای زیر مجموعه هایی نیز می باشند. در روشهای مبتنی بر هیستوگرام، بخش بندی تصاویر براساس توزیع پیکسلها صورت می گیرد. قدم اصلی در این روشها یافتن سطح استانه ای مناسب برای اعمال به تصویر میباشد. در روشهای مبتنی بر خوشه بندی برای گروه بندی کردن داده ها از شباهتها و روابط موجود بین آنها استفاده می شود. در این روشها داده ها به نحوی گروه بندی می شوند تا انهایی که در داخل یک بخش قرار می گیرند دارای بیشترین شباهت به هم باشند. کاربردهای زیرا می توان برای ناحیه بندی ذکر کرد:

شناسایی چهره با استفاده از الگوی دودوئی محلی ترکیبی برپایه پردازنده گرافیکی جهت تسریع امر شناسایی افراد در پایگاه‌های نظامی

با‌‌توجه به محبوبیت و استفاده روز‌‌‌افزون از وسایل دیجیتال در زندگی روزمره بشر و همچنین گسترش به اشتراک‌گذاری تصاویر در شبکه‌های اجتماعی همچون فیس‌بوک، فلیکر، اینستاگرام و غیره و همچنین بارگذاری فیلم‌های مختلف در این شبکه‌ها، استفاده از تصاویر دیجیتال مخصوصا در دهه اخیر رشد قابل توجهی داشته‌است که در میان این تصاویر، درصد بالایی مربوط به تصاویر چهره انسان است و در مواردی از قبیل پایش تصویر برخط، تعامل انسان و ماشین، ردیابی شخص در ویدئو، بازیابی تصویر چهره افراد مجرم، کنترل تردد کارکنان سازمان و تفکیک دوست از دشمن در پایگاههای نظامی(از قبیل نیروی دریایی و ...)کاربردهای فراوانی دارد. بنابراین دقت و سرعت بازیابی در این مسئله حائز اهمیت است. در این مقاله دو روش برپایه الگوی دودوئی محلی ارائه شده است که در نهایت با تشخیص لبه ترکیب می‌شود. برای افزایش سرعت روش ترکیبی پیشنهادی بصورت موازی در محیط C++ CUDA اجرا شده است. در این مقاله میزان دقت و سرعت بر روی مجموعه داده‌های مختلف ارزیابی شد و بطور متوسط زمان پردازش در GPU تا‌حدود ۱۹ برابر در مجموعه دادهی با ۱۰۲۴ عکس در مقایسه با CPU کاهش یافت. نتیجه حاکی از این تحقیق بدین صورت بود که هرچه حجم مجموعه داده بزرگتر شود تاثیر موازی‌سازی بهتر است. بنابراین متغیرهایی که برای این مسئله ذکر می‌شود عبارتند از:۱- دقت کار ۲- زمان اجرا ۳-مقیاس پذیر بودن سیستم