فایل ورد کامل بهبود تشخیص فعالیت در ویدیو با استفاده از تشخیص شی‌ء و متن کاوی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل بهبود تشخیص فعالیت در ویدیو با استفاده از تشخیص شی‌ء و متن کاوی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۳ صفحه

تشخیص فعالیت‌ها در ویدیوهای دنیای واقعی یک مسئله AI (هوش مصنوعی) چالش‌برانگیز است. ما ترکیب جدیدی از کلاس‌بندی فعالیت استاندارد، تشخیص شیء، و متن کاوی را برای آموزش موثر تشخیص‌دهنده‌های فعالیت بدون هیچ گونه مارک‌گذاری واضح ویدیوهای آموشی، ارائه می دهیم. ما به منظور پوشش اتوماتیک کلاس‌های فعالیت‌ها و تولید مجموعه آموزشی مارک گذاری شده، افعالی را که برای توصیف ویدیوها بکار رفته‌اند، خوشه‌بندی می‌کنیم. سپس این داده مارک گذاری شده برای آموزش یک کلاس‌بند فعالیت بر اساس ویژگی‌های فضایی- زمانی، مورد استفاده قرار می‌گیرند. سپس، متن کاوی به منظور یادگیری روابط بین این افعال و اشیای مربوطه، بکار می‌رود. سپس، این دانش به همراه خروجی‌های یک تشخیص دهنده شیء خارج از قفسه و کلاس‌بند فعالیت آموزش داده شده به منظور تولید یک تشخیص دهنده فعالیت بهبود یافته، مورد استفاده قرار می‌گیرد. آزمایشات بر روی مجموعه‌ای از ویدیوهای Youtube، کارایی رویکرد کلی را اثبات می کنند.

عنوان انگلیسی:

Improving Video Activity Recognition using Object Recognition and Text Mining

~~en~~ writers :

Tanvi S. Motwani and Raymond J. Mooney

Recognizing activities in real-world videos is a challenging AI problem. We present a novel combination of standard
activity classification, object recognition, and text mining to learn
effective activity recognizers without ever explicitly labeling training videos. We cluster verbs used to describe videos to automatically
discover classes of activities and produce a labeled training set. This
labeled data is then used to train an activity classifier based on spatiotemporal features. Next, text mining is employed to learn the correlations between these verbs and related objects. This knowledge is then
used together with the outputs of an off-the-shelf object recognizer
and the trained activity classifier to produce an improved activity recognizer. Experiments on a corpus of YouTube videos demonstrate the
effectiveness of the overall approach.

$$en!!