فایل ورد کامل کلاس‌بندی معنایی صحنه های شهری ناهمگون با استفاده از شباهت ویژگی میان صحنه‌ای و وابستگی معنایی میان صحنه ای

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 کلاس‌بندی معنایی صحنه های شهری ناهمگون با استفاده از شباهت ویژگی میان صحنه‌ای و وابستگی معنایی میان صحنه ای،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۶ صفحه

هدف کلاس بندی معنایی صحنه‌های شهری، طبقه بندی کردن صحنه‌هایی است که از انواع مختلفی از اشیاء که کلاس آن ها قبلا مشخص شده‌ است، تشکیل شده‌اند. برای یادگیری رابطه بین صحنه‌های شهری و کلاس‌های معنایی، پنج وظیفه مورد نیاز است: ۱) بخش‌بندی تصاویر به صحنه‌ها؛ ۲) ایجاد کلاس‌های معنایی صحنه‌ها؛ ۳) استخراج و تبدیل صحنه‌ها؛ ۴) اندازه‌گیری شباهت ویژگی میان صحنه‌‌ها؛ و ۵) برچسب‌زنی هر صحنه با یک روش کلای‌بندی معنایی. علیرغم تلاش‌های زیادی که بر روی این وظایف صورت گرفته است، اکثر کارهای موجود تنها ویژگی‌های بصری با معیار شباهت متناقض را در نظر می‌گیرند، در حالیکه چشم‌پوشی از ویژگی معنایی دروم صحنه‌ها و تعاملات بین صحنه‌ها، منجر به نتایج کلاس بندی ضعیفی برای صحنه‌هایی با ناهمگونی بالا می شود. برای حل این مسائل، این تحقیق شباهت ویژگی میان صحنه‌ای را با وابستگی معنایی میان‌ صحنه‌ای ترکیب می کند تا یک رویکرد کلاس‌بندی دو مرحله‌ای ایجاد کند. برای مرحله اول، ابتدا ویژگی‌های بصری و معنایی به منظور تبدیل به مقدار ثابت بهینه شده و سپس به منظور کلاس‌بندی اولیه‌ی صحنه‌ها در k-نزدیکترین همسایه، بکار گرفته می شوند. برای مرحله دوم، توزیع چندجمله‌ای برای مدلسازی هر دو مورد وابستگی فضایی و معنایی بین صحنه‌ها ارائه شده، و سپس به منظور بهبود نتایج کلاس‌بندی اولیه مورد استفاده قرار می‌گیرند. پیاده‌سازی‌های انجام شده در دو حوزه تحقیقاتی حاکی از آن هستند که رویکرد پیشنهاد شده نسبت به تفسیر بصری، نتایج بهتری را برای صحنه‌های ناهمگون تولید می‌کند، چراکه آن می‌تواند اطلاعات مخفی بین صحنه‌ها را که معمولا روش‌های موجود از آن چشم‌پوشی می‌کنند، کشف کرده و مدل می‌کند. بعلاوه، در مقایسه با کلاس‌بندی اولیه، مرحله بهینه شده دقت را دو دو حوزه تحقیقاتی، بترتیب به اندازه ۳.۶% و ۵% بهبود می‌بخشد.

کلمات کلیدی: ترکیب ویژگی‌هایی با ابعاد بالا | توزیع چند‌جمله‌ای | کلاس‌بندی صحنه.

عنوان انگلیسی:

Semantic Classification of Heterogeneous Urban Scenes Using Intrascene Feature Similarity and Interscene Semantic Dependency

~~en~~ writers :

Xiuyuan Zhang, Shihong Du, and Yi-Chen Wang

Semantic classification of urban scenes aims to
classify scenes composed of many different types of objects into
predefined semantic classes. To learn the association between
urban scenes and semantic classes, five tasks are needed: 1) segmenting the image into scenes; 2) establishing semantic classes
of scenes; 3) extracting and transforming features; 4) measuring
the intrascenes feature similarity; and 5) labeling each scene by
a semantic classification method. Despite many efforts on these
tasks, most existing works consider only visual features with
inconsistent similarity measurement, while ignore semantic features inside scenes and the interactions between scenes, leading
to poor classification results for high heterogeneous scenes. To
solve these problems, this study combines intrascene feature similarity and interscene semantic dependency to form a two-step
classification approach. For the first step, visual and semantic
features are first optimized to be invariant to affine transformation, and then are employed in K-Nearest Neighbor to initially
classify scenes. For the second step, multinomial distribution is
presented to model both the spatial and semantic dependency
between scenes, and then used to improve the initial classification results. The implementations conducted in two study areas
indicate that the proposed approach produces better results for
heterogeneous scenes than visual interpretation, as it can discover
and model the hidden information between scenes which is often
ignored by existing methods. In addition, compared with the initial classification, the optimized step improves accuracies by 3.6%
and 5% in the two study areas, respectively.

Index Terms: High-dimensional features fusion | multinomial distribution | scene classification.

$$en!!