تعداد نشریات | 17 |
تعداد شمارهها | 399 |
تعداد مقالات | 2,745 |
تعداد مشاهده مقاله | 1,637,068 |
تعداد دریافت فایل اصل مقاله | 1,469,167 |
حذف ویژگی های مشترک برون کلاسی به منظور بهبود بازشناسی رویداد در تصویر | ||
فصلنامه آماد و فناوری دفاعی | ||
دوره 7، شماره 1 - شماره پیاپی 21، اردیبهشت 1403، صفحه 11-30 اصل مقاله (1.1 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
امیرحسین زنگنه* 1؛ احسان شریفی2؛ محمود دی پیر3 | ||
1گروه مهندسی نرم افزار، دانشکده رایانه و سایبر، دانشگاه هوایی شهید ستاری، تهران، ایران | ||
2گروه مهندسی نرم افزار، دانشکده رایانه و سایبر، دانشگاه هوایی شهید ستاری، تهران، ایران. | ||
3گروه مهندسی نرم افزار دانشکده رایانه و سایبر دانشگاه هوایی شهید ستاری،تهران، ایران | ||
چکیده | ||
امروزه به صورت گسترده برای نظارت و کنترل محیط از سامانههای نظارت و پایش تصویری استفاده میشود. هدف ما در این مقاله شناسایی و تشخیص رویداد در ویدیو است. ما به منظور شناسایی و تشخیص رویداد در ویدیو، ویدیوی ورزش فوتبال را که دارای پیچیدگیها و چالشهای فراوان است موردبررسی و آنالیز قرار دادهایم در میان این چالشها، میتوان به خلاصهسازی، ردیابی، بازشناسی رویدادهای مهم بازی و غیره اشاره کرد، بهعنوانمثال بازشناسی رویدادهایی مانند پنالتی و ضربه آزاد که دارای المانهای بصری مشترک میباشند، دارای چالش بیشتری است. وجود المانهای مشترک بین دو رویداد سبب استخراج ویژگیهای مشترک و تفکیکناپذیر در فرآیند بازشناسی این دو رویداد میشود. درنتیجه خطای بازشناسی و تفکیک اینچنین رویدادهایی نسبت به سایر رویدادها بیشتر است. در این مقاله ما یک روش جدید برای حذف ویژگیهای مشترک بین دو کلاس باهدف همگرا کردن ویژگیهای درون کلاسی و واگرا نمودن ویژگیهای برون کلاسی برای افزایش دقت دستهبندی و بازشناسی دو رویداد پنالتی و ضربه آزاد ارائه دادهایم. نتایج ارزیابیهای انجامشده به وسیله روش پیشنهادی، حاکی از بهبود دقت بازشناسی و تفکیک دو رویداد پنالتی و ضربه آزاد با استفاده از روش پیشنهادی است و دقت شناسایی و تشخیص این دو رویداد بهطور میانگین نسبت به شبکه عصبی عمیق پایه به میزان 9.08 درصد افزایش یافته است. | ||
کلیدواژهها | ||
شبکه عصبی عمیق دنسنت؛ شبکه رزنت؛ ویژگیهای مشترک؛ ویژگیهای برون کلاسی؛ یادگیری عمیق | ||
مراجع | ||
[1] S. Sarkar, S. Ali, and A. Chakrabarti, “Shot classification and replay detection in broadcast soccer video,” Advanced Computing and Systems for Security: Volume Twelve, pp. 57–66, 2020.
[2] J. O. Valand et al., “Automated clipping of soccer events using machine learning,” in 2021 IEEE International Symposium on Multimedia (ISM), IEEE, 2021, pp. 210–214.
[3] L. F. K. Tani, A. Ghomari, and M. Y. K. Tani, “A semi-automatic system of web videos annotation and retrieval: application to events detection in soccer domain,” International Journal of Computer Aided Engineering and Technology, vol. 16, no. 4, pp. 512–533, 2022.
[4] C. Cuevas, D. Quilón, and N. García, “Techniques and applications for soccer video analysis: A survey,” Multimedia Tools and Applications, vol. 79, no. 39, pp. 29685–29721, 2020.
[5] P. Shi and X. Yu, “Goal event detection in soccer videos using multi-clues detection rules,” in Management and Service Science, 2009. MASS’09. International Conference on, IEEE, 2009, pp. 1–4.
[6] M.-L. Shyu, Z. Xie, M. Chen, and S.-C. Chen, “Video semantic event/concept detection using a subspace-based multimedia data mining framework,” IEEE Transactions on Multimedia, vol. 10, no. 2, pp. 252–259, 2008.
[7] M. H. Kolekar, “Bayesian belief network based broadcast sports video indexing,” Multimedia Tools and Applications, vol. 54, no. 1, pp. 27–54, 2011.
[8] D. W. Tjondronegoro and Y.-P. P. Chen, “Knowledge-discounted event detection in sports video,” Ieee transactions on systems, man, and cybernetics-part a: Systems and humans, vol. 40, no. 5, pp. 1009–1024, 2010.
[9] Z. Wang, J. Yu, and Y. He, “Soccer video event annotation by synchronization of attack–defense clips and match reports with coarse-grained time information,” IEEE Transactions on Circuits and Systems for Video Technology, vol. 27, no. 5, pp. 1104–1117, 2016.
[10] K. Tang, Y. Bao, Z. Zhao, L. Zhu, Y. Lin, and Y. Peng, “AutoHighlight: Automatic Highlights Detection and Segmentation in Soccer Matches,” in 2018 IEEE International Conference on Big Data (Big Data), IEEE, 2018, pp. 4619–4624.
[11] S. Jai-Andaloussi, A. Mohamed, N. Madrane, and A. Sekkaki, “Soccer video summarization using video content analysis and social media streams,” in 2014 IEEE/ACM International Symposium on Big Data Computing, IEEE, 2014, pp. 1–7.
[12] A. Zanganeh, E. Sharifi, and M. Jampour, “Converge intra-class and Diverge inter-class features for CNN-based Event Detection in football videos,” in 2023 6th International Conference on Pattern Recognition and Image Analysis (IPRIA), IEEE, 2023, pp. 1–6.
[13] G. Huang, Z. Liu, L. Van Der Maaten, and K. Q. Weinberger, “Densely connected convolutional networks,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, pp. 4700–4708.
[14] A. Krizhevsky and G. Hinton, “Learning multiple layers of features from tiny images,” 2009.
[15] Y. Netzer, T. Wang, A. Coates, A. Bissacco, B. Wu, and A. Y. Ng, “Reading digits in natural images with unsupervised feature learning,” 2011.
[16] J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. Fei-Fei, “Imagenet: A large-scale hierarchical image database,” in 2009 IEEE conference on computer vision and pattern recognition, Ieee, 2009, pp. 248–255.
[17] K. He, X. Zhang, S. Ren, and J. Sun, “Identity mappings in deep residual networks,” in European conference on computer vision, Springer, 2016, pp. 630–645.
[18] R. P. Grimaldi, Discrete and combinatorial mathematics, 5/e. Pearson Education India, 2006.
[19] A. Zanganeh, M. Jampour, and K. Layeghi, “IAUFD: A 100k images dataset for automatic football image/video analysis,” IET Image Processing, vol. 16, no. 12, pp. 3133-3142 (2022)., doi: 10.1049/ipr2.12543.
[20] J. Yu, A. Lei, and Y. Hu, “Soccer Video Event Detection Based on Deep Learning,” in International Conference on Multimedia Modeling, Springer, 2019, pp. 377–389.
[21] S. Giancola, M. Amine, T. Dghaily, and B. Ghanem, “Soccernet: A scalable dataset for action spotting in soccer videos,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, 2018, pp. 1711–1721.
[22] C. Wang and H. Liu, “Comprehensive Soccer Video Understanding: Towards Human-comparable Video Understanding System in Constrained Environment,” arXiv preprint arXiv:1912.04465, 2019.
[23] A. Deliege et al., “Soccernet-v2: A dataset and benchmarks for holistic understanding of broadcast soccer videos,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2021, pp. 4508–4519.
[24] A. Zanganeh and M. Jampour, “Automatic Weak Learners Selection for Pattern Recognition and its application in Soccer Goal Recognition,” in 2019 4th International Conference on Pattern Recognition and Image Analysis (IPRIA), IEEE, 2019, pp. 240–245.
| ||
آمار تعداد مشاهده مقاله: 99 تعداد دریافت فایل اصل مقاله: 105 |